Llama Nemotron VLM v1 マルチモーダル画像およびテキストデータセット

Llama Nemotron VLM v1は、NVIDIAが2025年にVLM後学習用にリリースした高品質の画像およびテキストデータセットです。NVIDIAがリリースしたLlama-3.1-Nemotron-Nano-VL-8B-V1文書理解モデル（文書質問応答、グラフ質問応答、AI2Dなどのシナリオをサポート）をサポートするために使用されます。

このデータセットは21のサブセットから構成され、合計2,863,854個のサンプルが含まれています。視覚的質問応答（VQA）、キャプション（画像記述）、光学式文字認識（OCR）の3つのカテゴリを網羅し、再アノテーションされた公開画像データセット、完全合成および半合成OCRデータ（中国語と英語、文字、単語、ページレベル）、内部アノテーション付きOCRセットが含まれています。また、このデータセットは、元の質問応答（VQA）またはキャプションを改良・強化しており、インテリジェントエージェント、チャットアシスタント、RAGなどのアプリケーションのマルチモーダルトレーニングおよび評価に適しています。

データには以下が含まれます:

• VQA（ビジュアル質問応答）：1,917,755件の例

• 字幕: 131,718 サンプル

• OCR（テキスト認識）: 814,381 サンプル