京都大学发布Jagle数据集,应用在多模态学习、日语处理领域

京都大学本次发布的数据集Jagle,Jagle是目前规模最大的日语多模态后训练数据集，由日本国立情报学研究所等机构联合构建，包含约920万条实例，涵盖通用视觉问答、图表理解、图像描述与知识、OCR问答及基础OCR五大任务类别。该数据集创新性地整合了维基百科图像、政府PDF文档等异构数据源，并通过VLM生成、跨语言翻译等四类策略构建问答对。其数据量达到35亿答案token，在保持日语任务性能的同时不会影响英语模型表现，为低资源语言的多模态模型训练提供了重要基准。

查看Jagle

关于京都大学,京都大学是日本一所著名的国立综合研究型大学，位于京都府京都市。作为日本第二所设立的旧制帝国大学，京都大学在全球享有很高的学术声誉，尤其在自然科学和工程技术领域表现突出。

关于arXiv,全球最大的预印本学术论文数据库，涵盖物理、数学、计算机科学等多个学科领域。