橙子AI科技 Logo 橙子AI科技 需求咨询
菜单
数据集

the_cauldron

HuggingFaceM4/the_cauldron

查看上游原文 ↗
上游访问：公开 本站服务：可咨询 内容检查：AI 辅助整理并检查 许可证：上游卡片未声明 上游版本：847a98a779b1

中文简介

HuggingFaceM4/the_cauldron 是 HuggingFaceM4 在 Hugging Face 发布的数据集仓库，当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 847a98a779b1，同步到 940 个文件，文件元数据合计 281.77 GB；访问状态为“公开”，许可证字段为“上游卡片未声明”。

UPSTREAM README

上游模型卡 / 数据集卡

在 Hugging Face 查看原文 ↗

【README 卡片中文译介】

以下内容依据上游仓库 HuggingFaceM4/the_cauldron 的固定版本 README、卡片字段和文件元数据进行中文结构化整理。它保留便于选型的关键信息，完整技术细节、代码示例和许可文本请同时查看上游原文。

【资源概览】
HuggingFaceM4/the_cauldron 是 HuggingFaceM4 在 Hugging Face 发布的数据集仓库，当前卡片主要关联上游卡片所列任务。本站固定记录上游版本 847a98a779b1，同步到 940 个文件，文件元数据合计 281.77 GB；访问状态为“公开”，许可证字段为“上游卡片未声明”。

【适用方向】
适合在明确数据字段、拆分和许可证后，用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。

【版本与规格】
固定版本：847a98a779b1。 任务标签：上游卡片所列任务。 上游页面记录的最近更新时间：2024-05-06。

【文件信息】
上游 API 返回 940 个文件，文件元数据合计 281.77 GB。 已保存文件清单中的主要扩展名：.parquet 99 个、无扩展名 1 个。 当前较大的文件包括：docvqa/train-00008-of-00014-d7c5322b600c5c81.parquet（853.35 MB）；docvqa/train-00007-of-00014-3f873bb07e754c52.parquet（828.41 MB）；docvqa/train-00006-of-00014-849157fa9842eaa8.parquet（770.56 MB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。

【运行或处理环境】
仓库文件元数据合计 281.77 GB。仅按下载、解压和临时文件估算，建议至少预留约 338.12 GB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。

【使用边界】
上游卡片没有提供明确许可证字段，下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

已有简体中文译文 · Codex 基于固定版本 README 与上游元数据生成中文结构化译介 · 2026-07-26 00:51

Dataset Card for The Cauldron Dataset description The Cauldron is part of the Idefics2 release. It is a massive collection of 50 vision-language datasets (training sets only) that were used for the fine-tuning of the vision-language model Idefics2. Load the dataset To load the dataset, install the library `datasets` with `pip install datasets`. Then, to download and load the config `ai2d` for example. Data fields An example of a sample looks as follows: In `images`, there is a list of images, to be placed before the text. In `texts`, there is a conversation between a user and an assistant about the images that is represented by a list of turns. Stats about the datasets in The Cauldron | Dataset | # images | # Q/A pairs | # tokens | |----------------------|----------|-------------|------------| | *General visual question answering* | | VQAv2 | 82,772 | 443,757 | 1,595,929 | | COCO-QA | 46,287 | 78,736 | 286,982 | | Visual7W | 14,366 | 69,817 | 279,268 | | A-OKVQA | 16,539 | 17,056 | 236,492 | | TallyQA | 98,680 | 183,986 | 738,254 | | OK-VQA | 8,998 | 9,009 | 38,853 | | HatefulMemes | 8,500 | 8,500 | 25,500 | | VQA-RAD | 313 | 1,793 | 8,418 | | Captioning | | LNarratives | 507,444 | 507,444 | 21,328,731 | | Screen2Words | 15,730 | 15,743 | 143,103 | | VSR | 2,157 | 3,354 | 10,062 | | *OCR, document understanding, text transcription* | | RenderedText | 999,000 | 999,000 | 27,207,774 | | DocVQA | 10,189 | 39,463 | 337,829 | | TextCaps | 21,953 | 21,953 | 389,658 | | TextVQA | 21,953 | 34,602 | 181,918 | | ST-VQA | 17,247 | 23,121 | 127,846 | | OCR-VQA | 165,746 | 801,579 | 6,073,824 | | VisualMRC | 3,027 | 11,988 | 168,828 | | IAM | 5,663 | 5,663 | 144,216 | | InfoVQA | 2,118 | 10,074 | 61,048 | | Diagram image-to-text| 300 | 300 | 22,196 | | *Chart/figure understanding* | | Chart2Text | 26,985 | 30,242 | 2,852,827 | | DVQA | 200,000 | 2,325,316 | 8,346,234 | | VisText | 7,057 | 9,969 | 1,245,485 | | ChartQA | 18,271 | 28,299 | 185,835 | | PlotQA | 157,070 | 20,249,479

公开页仅展示原文摘录；完整模型卡或数据集卡请前往上游仓库查看。

适用场景

适合在明确数据字段、拆分和许可证后，用于上游卡片所列任务相关的训练、评测或研究。 正式使用前应先抽样检查字段、语言、重复项、敏感信息和训练/测试划分，避免只依据仓库名称判断数据质量。

规模与格式

固定版本：847a98a779b1。 任务标签：上游卡片所列任务。 上游页面记录的最近更新时间：2024-05-06。

文件说明

上游 API 返回 940 个文件，文件元数据合计 281.77 GB。 已保存文件清单中的主要扩展名：.parquet 99 个、无扩展名 1 个。 当前较大的文件包括：docvqa/train-00008-of-00014-d7c5322b600c5c81.parquet（853.35 MB）；docvqa/train-00007-of-00014-3f873bb07e754c52.parquet（828.41 MB）；docvqa/train-00006-of-00014-849157fa9842eaa8.parquet（770.56 MB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

  • .gitattributes2.25 KB
  • ai2d/train-00000-of-00001-2ce340398c113b79.parquet417.84 MB
  • aokvqa/train-00000-of-00002-88e828b9a932c295.parquet425.17 MB
  • aokvqa/train-00001-of-00002-ceb27cfe85e08680.parquet426.71 MB
  • chart2text/train-00000-of-00003-3a2ec464eb1cfc9b.parquet347.86 MB
  • chart2text/train-00001-of-00003-a65d11892445678c.parquet343.82 MB
  • chart2text/train-00002-of-00003-8626ac7f2c225705.parquet360.35 MB
  • chartqa/train-00000-of-00002-7733d4ca73ccd12e.parquet377.03 MB
  • chartqa/train-00001-of-00002-03251c406186eabb.parquet388.95 MB
  • clevr/train-00000-of-00024-d244df5ec45319a1.parquet527.06 MB
  • clevr/train-00001-of-00024-8711717f841a0ad7.parquet527.42 MB
  • clevr/train-00002-of-00024-851e2670f82ad012.parquet527.41 MB

文件较多，本页只展示前 12 项；完整信息以上游仓库为准。

硬件建议

仓库文件元数据合计 281.77 GB。仅按下载、解压和临时文件估算，建议至少预留约 338.12 GB 可用磁盘；实际需求还取决于压缩率、缓存、数据转换和训练副本，正式处理前应以完整文件清单重新测算。

注意事项

上游卡片没有提供明确许可证字段，下载、训练、商用或再分发前必须打开原始仓库确认授权条件。 数据集还需核对样本来源、隐私与个人信息、标签质量、地域偏差及下游模型的合规要求。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

第三方资源声明

本页面为橙子AI科技基于固定版本上游卡片整理的中文信息与服务说明，不代表资源作者或平台官方页面。实际许可、访问和使用条件以上游原文为准。