winninghealth/windata-vision-synthetics-zh-300k

介绍 我们整理生成了一个中文多模态图文指令数据集，包含了大约30万条数据以及约20万张图片，涉及文档doc、图表、数学、OCR等多种场景。 针对开源数据中中文图文指令集少且指令集描述普遍过于简短等问题，我们设计了一种基于开源模型的合成数据生成方法，利用 Qwen2-vl-72B-Instruct 生成较为详细的中文caption指令集，然后在同一场景中随机挑选1-4张图片和相应的中文caption，将caption数据给到我们的大语言模型 WiNGPT-2.6 通过设计系统指令使其每轮进行提问，将问题和图片给到 Qwen2-vl-72B-Instruct 使其进行回答；最后设定循环次数，得到多轮多图的对话数据。 对于生成后的数据，根据答案的长度、语句的重复性等进行了规则过滤；数学类题目，根据原始数据的答案进行了过滤。在制作最后的caption指令集时，我们针对每一个场景都设计了上百个问题，保证了caption数据集的多样性；在对话数据集上，我们在不同场景下来让WiNGPT-2.6… See the full description on the dataset page: https://huggingface.co/datasets/winninghealth/windata-vision-synthetics-zh-300k.

<iframe src="https://silytics.si/embed/item/4db9508d-745f-4e69-98ab-f30660978e56" width="420" height="190" style="border:0" loading="lazy" title="Silytics entry"></iframe>

Silytics shows public metadata from Hugging Face and links to the original. Information may be incomplete or out of date. Last refreshed 20 October 2026. Licenses and terms of the original apply to the work itself. Not financial, legal or professional advice.