印度理工学院帕特纳分校 发布 COSMMIC 数据集, 应用在 自然语言处理、多模态数据 领域

印度理工学院帕特纳分校 本次发布的数据集 COSMMIC, COSMMIC是一个创新的多模态多语言数据集，包含印度九种主要语言的4,959篇文章图像对和24,484条读者评论，所有语言都提供人工撰写的真实摘要。该数据集是印度语言资源领域的先驱，旨在推动NLP研究和促进包容性。它涵盖了Bengali、Hindi、Gujarati、Marathi、Malayalam、Odia、Tamil、Telugu和Kannada等九种主要语言，数据量相较于现有印度语言数据集具有显著优势。

查看COSMMIC

README 内容： 

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。