WAON 是一个大型、高质量的日语图文配对数据集,采用尺寸、SigLIP‑score 过滤和去重(按 URL、标题和 pHash)构建,并在 HuggingFace 上以 Apache 2.0 许可证公开,用于信息分析。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
281
Hugging Face 点赞数
2
收录日
2026年1月6日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | — |
| 2026年1月 | 169 |
| 2026年2月 | 209 |
| 2026年3月 | — |
| 2026年4月 | — |
| 2026年5月 | 7,000 |
| 2026年6月 | 1,000 |
| 2026年7月 | 407 |
| 2026年8月 | 120 |
| 2026年9月 | 327 |
| 2026年10月 | 314 |
| 2026年11月 | 281 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- Cauldron-JAturing-motors7kCauldron‑JA 是一个日语视觉‑语言数据集,包含 44 个子数据集,使用 DeepL API 从 The Cauldron 翻译而来,可通过 HuggingFace’s datasets library 获取,并与原始数据集使用相同的许可证,prompts 在 CC‑BY‑4.0 下发布。
- Galgame-VisualNovel-Reuploadjoujiboi5k为高效加载 Hugging Face datasets,重新结构化并重新上传 Galgame VisualNovel 数据集(OOPPEENN/5669737465666C656E63655F44617461337072657330),保留所有原始 audio/text,并提供带多种 game-subset 选项的 extraction script。
- JMMMUJMMMU3kJMMMU 是一个日语多模态基准,已扩大十倍至 1,320 个具有文化多样性的问题(720 个与文化无关,600 个与文化相关),由母语专家翻译,现在设有公开排行榜。
- STAIR-Captionsshunk0312kSTAIR‑Captions,发布于2017年,提供820,310条日语字幕,用于字幕生成、多模态检索和图像生成,并配有详细注释、元数据以及Creative Commons BY‑4.0 license。
- ogiri-boketeYANS-official1k来自Bokete众包笑话网站的仅日语数据集,分为三项任务——文本到文本、图像到文本以及文本在图像中的完成,每项分别有500个图像提示(对应2355个答案)和各100个其他两项(≈900个答案),通过OCR处理并过滤不当内容。
- JMMMU-ProJMMMU1kJMMMU‑Pro 是一个基于图像的日语多模态基准,通过使用真实模型生成视觉问题并进行人工验证创建,揭示当前开源 LMM 在其上的表现不佳,并提供了一种成本效益高的未来 VQA 基准开发方法。
研究领域相近的资源
hiragana_mojigazondl-lab18文字图像数据集(平假名73个字符版)GitHub共同: 标注与数据集构建
j-ono-dataObakeConstructs11一个简单的、开源的日语拟声词和拟态词的收集,以JSON格式呈现。附带漫画示例。GitHub共同: 标注与数据集构建- Japanese-Medical-VQA-12mMIL-UT423Japanese Medical VQA 12M 是一个大规模多模态数据集(≈12 M 样本),包含日语医学图像的原始和增强说明文字,均提供源语言和日语版本,以及生成的 VQA 问答对。该数据集以 Parquet/Webdataset 格式发布,并使用 InternVL3.5 对 Open‑PMC‑18M 进行增强,使用 Qwen3‑30B‑A3B 进行翻译,使用 GPT‑OSS 120B 生成 VQA。共同: 标注与数据集构建
ja-vg-vqayahoojapan30日本视觉基因问答数据集GitHub共同: 标注与数据集构建- Jaglellm-jp168Jagle 是一个约 920 万实例的日本多模态后训练数据集,构建自图像–文本对和 PDF 文本,用于训练 LLM‑jp‑4‑VL 9B beta,并已被证明能提升日语视觉语言任务性能。共同: 标注与数据集构建
LookVQAriken-grp8一个以凝视为基础的视觉问答数据集,用于澄清模糊的日语问题(LREC-COLING 2024)GitHub共同: 标注与数据集构建