清华大学 发布 Long Visual Question Answering (Long-VQA), Long Multimodal Retrieval (Long-MR) 数据集, 应用在 视觉问答、多模态检索 领域

清华大学 本次发布的数据集 Long Visual Question Answering (Long-VQA), Long Multimodal Retrieval (Long-MR), 本研究构建了两个增强型长上下文多模态数据集：Long Visual Question Answering (Long-VQA) 和 Long Multimodal Retrieval (Long-MR)。Long-VQA 数据集扩展了17个广泛使用的数据集，将其内容从短序列扩展到包含多达32K个tokens的长序列，旨在评估视觉语言模型在长序列中的理解和推理能力。Long-MR 数据集则通过插入目标图像或文本段到交错图像和文本的序列中，评估模型从超长多模态序列中检索特定目标的能力。这些数据集的创建旨在增强视觉语言模型在长上下文场景中的训练和评估，解决现有数据集在长上下文理解方面的不足。

查看Long Visual Question Answering (Long-VQA), Long Multimodal Retrieval (Long-MR)

README 内容： 

关于 清华大学 , 清华大学是中国顶尖的综合性大学之一，位于北京市，以其卓越的科研和教育水平闻名，涵盖了广泛的学科领域，包括工程、科学、人文、社会科学等。

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。