通用多模态数据集-跨模态检索

主要数据内容包括：图像、文本、视频、音频等多模态数据Image-Text Pair 图文配对数据视频字幕、语音转文本等跨模态数据CLIP、LLaVA、BLIP 等 VLM 训练数据多语言、多任务多模态语料数据结构化 JSON / Parquet 数据集资源视觉问答（VQA）与 Caption 数据多模态 Benchmark 与评测数据支持的能力方向包括：Vision-Language Model（VLM）训练跨模态检索（Cross-Modal Retrieval）CLIP 与多模态 Embedding 学习视觉问答（VQA）与 Caption 生成多模态 RAG 与 Agent 系统训练视频理解与 Audio-Text 学习多模态大模型（MLLM）训练适用于：多模态大模型研发CLIP / VLM 模型训练图文检索与视觉搜索系统多模态知识库构建AIGC 与视觉生成任务多模态 Benchmark 测试Embedding 与向量检索系统开发