布法罗大学 发布 LLaVAR-2 数据集, 应用在 多模态学习、图像文本对齐 领域

布法罗大学 本次发布的数据集 LLaVAR-2, LLaVAR-2是一个用于增强多模态对齐的高质量文本丰富图像指令调优数据集，由布法罗大学和Adobe研究院创建。该数据集包含42万条详细丰富的描述性字幕和38.2万条视觉问答数据对，通过GPT-4o自动生成。数据集的创建过程结合了人工注释和大型语言模型的混合指令生成，确保了数据的高质量和多样性。LLaVAR-2主要用于提升多模态大语言模型在处理文本丰富图像任务中的表现，旨在解决现有数据集在文本理解能力上的不足。

查看LLaVAR-2

关于 布法罗大学 , 布法罗大学（University at Buffalo）是美国纽约州立大学系统中规模最大、综合性最强的公立研究型大学之一，位于纽约州布法罗市。该校在多个学科领域享有盛誉，尤其在工程、医学和计算机科学等领域具有较高的研究水平。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。