数据集简介
由 IBM Research 发布的 REAL-MM-RAG_TechSlides 数据集，是一个专为多模态检索增强生成（RAG）技术设计的数据集。它包含了技术演示文稿（幻灯片）中的图文内容，旨在支持对多模态文档进行高效信息检索和生成任务的研究与开发。
主要用途
该数据集主要用于训练和评估多模态 RAG 系统。研究人员和开发者可以利用它来构建能够同时理解和处理图像与文本信息的智能检索与问答模型。
数据类型/模态
- 模态类型：多模态数据集，包含 图像 和 文本 两种数据类型。
- 数据来源：数据源自技术领域的演示文稿（Tech Slides），图文内容关联性强。
规模与统计信息
- 数据量：共包含 2,617 条数据样本。
- 存储格式：数据以 Parquet 格式提供，便于高效处理和分析。
使用场景
- 多模态信息检索：构建能够根据图文混合查询，从技术文档中精准检索相关片段的系统。
- RAG 系统开发与评测：为检索增强生成模型提供高质量的图文对齐数据，用于训练和基准测试。
- 文档智能分析：应用于技术文档、教育材料或企业演示稿的自动化内容理解和知识提取。