数据集简介
该数据集由 NVIDIA 发布，旨在为视觉语言模型（VLM）的训练提供高质量的文本数据支持。它是 Nemotron 项目的一部分，专注于构建大规模、多样化的训练语料。
主要用途
用于训练和微调视觉语言模型，特别是需要强大文本理解与生成能力的多模态模型。
数据类型/模态
- 模态：纯文本
- 数据格式：JSON
- 数据规模：包含约 458 万条文本样本
数据特点
- 大规模：数据量达数百万级别，适合大规模模型预训练。
- 高质量：由 NVIDIA 精心构建，旨在提供适用于先进 VLM 训练的优质文本语料。
- 易用性：数据集非加密（
gated: false），支持通过主流数据处理库（如 datasets, pandas）直接访问和使用。
使用场景
- 视觉语言模型的预训练与指令微调。
- 多模态模型研究中文本分支的训练数据。
- 作为构建或评估文本-视觉对齐能力的基准数据源之一。