清华大学 发布 LongWriter-V22k 数据集, 应用在 视觉语言模型、长文本生成 领域

清华大学 本次发布的数据集 LongWriter-V22k, LongWriter-V22k是由清华大学知识工程实验室收集的一个数据集，包含22,158个示例，每个示例包含多个输入图像、一个指令和相应的输出，输出长度从0到10,000词不等。该数据集通过两个阶段收集：首先是从MMEvol数据集中筛选出长输出指令，并通过LongWrite Agent-V管道生成对应的长时间文本作为SFT数据；其次是收集人类对VLM输出的细粒度修正，用于DPO数据。数据集旨在提高视觉语言模型的长文本生成能力。

查看LongWriter-V22k

README 内容： 

关于 清华大学 , 清华大学，位于中国北京，是一所享誉全球的顶尖研究型大学，以其深厚的学术底蕴和杰出的科研能力而著称。

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。