微软研究院 发布 Multimodal Coding Dataset (MCD) 数据集, 应用在 多模态代码生成、算法编程 领域

微软研究院 本次发布的数据集 Multimodal Coding Dataset (MCD), MCD是一个大规模、高质量的指令微调数据集，包含598k个样本，用于多模态代码生成任务。数据集由四个主要部分组成：增强的HTML代码、图表图像代码对、图像增强的代码问答对和算法代码。这些数据来自网页截图、GitHub上的Python matplotlib代码、StackOverflow以及LeetCode等算法编码数据集。MCD旨在解决现有多模态模型在代码生成能力上的不足，为多模态代码生成提供高质量的数据支持。

查看Multimodal Coding Dataset (MCD)

Dataset card 内容： 

Files and versions 内容： 

关于 微软研究院 , 微软研究院是微软公司旗下的研究机构，成立于1991年，致力于推动计算机科学和相关领域的技术进步。该研究院在人工智能、云计算、数据科学等领域有重要研究成果，并与全球多所大学和研究机构合作。

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。