MIRACL-VISION ist ein von NVIDIA im Jahr 2025 veröffentlichtes mehrsprachiges visuelles Retrieval-Dataset, dessen zugehörige Forschungsergebnisse in der Arbeit „MIRACL-VISION: A Large, multilingual, visual document retrieval benchmark" vorgestellt werden. Es dient der Bewertung mehrsprachiger, multimodaler Retrieval-Pipelines.

Das Dataset umfasst 7.898 Nutzerfragen und 338.734 Bilder aus Wikipedia-Artikeln mit entsprechenden Annotationen und unterstützt 18 Sprachen, darunter Arabisch, Bengalisch, Englisch, Spanisch, Persisch, Finnisch, Französisch, Hindi, Indonesisch, Japanisch, Koreanisch, Russisch, Swahili, Telugu, Thailändisch, Chinesisch und Yoruba.

Zusammensetzung des Datasets

• Sprach-Untergruppen: Das Dataset umfasst 18 Sprachen, wobei jede Sprache einer eigenen Konfiguration (Config) und eigenen Datendateien entspricht.

• Queries: Speichert die Nutzeranfragetexte im Parquet-Format.

• Corpus: Speichert Wikipedia-Artikel und die zugehörigen Bilddaten im Parquet-Format.

• Qrels: Speichert Relevanzinformationen zwischen Anfragen und Dokumenten im Parquet-Format.

• Images: Speichert die mit den Dokumenten verknüpften Bilddaten im Parquet-Format.

Zitation

@misc{osmulsk2025miraclvisionlargemultilingualvisual,
      title={MIRACL-VISION: A Large, multilingual, visual document retrieval benchmark}, 
      author={Radek Osmulsk and Gabriel de Souza P. Moreira and Ronay Ak and Mengyao Xu and Benedikt Schifferer and Even Oldridge},
      year={2025},
      eprint={2505.11651},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2505.11651}, 
}