Hebrew-CLIP هو مجموعة بيانات صادرة عن NVIDIA في عام 2024 لتدريب نماذج اللغة البصرية باللغة العبرية، وتهدف إلى تعزيز تطبيق نماذج اللغة البصرية مثل CLIP في سياقات اللغة العبرية.

تحتوي مجموعة البيانات هذه على حوالي 7.78 مليون وصف صورة باللغة العبرية، وتتكون بشكل أساسي من بيانات الترجمة الآلية من DataComp-1B وبيانات متعددة اللغات من LAION-5B. يتم تخزين البيانات بتنسيق Parquet، ولا تتضمن الصور الفعلية، بل توفر فقط الأوصاف النصية ومراجع تضمين الصور المقابلة، وهي مناسبة لتدريب وتقييم النماذج متعددة الوسائط.

تكوين مجموعة البيانات

تتكون مجموعة البيانات من ملفين بتنسيق Parquet، ويتضمن كل ملف بشكل أساسي الحقول التالية:

• key: معرّف فريد للوصف.
• heb_caption: نص الوصف باللغة العبرية.
• file_name: اسم ملف تضمين الصورة المقابل.
• file_index: موضع الفهرس للتضمين داخل الملف.