CoolFace
Datasetpublic

brics-edtech/nornikel-metallurgy-vl-dataset

Nornikel Metallurgy VL Dataset (SFT / DPO / GRPO) Датасет для дообучения мультимодальной модели Qwen3-VL по схеме SFT → DPO → GRPO в предметной области металлургии, горного дела и обогащения полезных ископаемых. Построен из корпуса технических документов (PDF-книги/сборники, DOCX-отчёты, PPTX-презентации, XLSX-таблицы) и изображений (схемы, диаграммы, таблицы). Конфигурации (config_name) config train validation назначение sft 111 351 12 372… See the full description on the dataset page: https://huggingface.co/datasets/brics-edtech/nornikel-metallurgy-vl-dataset.

sourceHugging Faceotherupdated 3mo agoView on Hugging Face
0likes706downloads
Dataset Card

Nornikel Metallurgy VL Dataset (SFT / DPO / GRPO)

Датасет для дообучения мультимодальной модели Qwen3-VL по схеме SFT → DPO → GRPO в предметной области металлургии, горного дела и обогащения полезных ископаемых. Построен из корпуса технических документов (PDF-книги/сборники, DOCX-отчёты, PPTX-презентации, XLSX-таблицы) и изображений (схемы, диаграммы, таблицы).

Конфигурации (config_name)

configtrainvalidationназначение
sft111 35112 372instruction-tuning: вопрос-ответ по тексту/таблицам/изображениям
dpo66 8107 423preference-пары (chosen/rejected)
grpo28 5953 177промпты с коротким проверяемым эталоном для RL-этапа

Загрузка через datasets:

python
from datasets import load_dataset
sft = load_dataset("ВАШ_ЮЗЕРНЕЙМ/nornikel-metallurgy-vl-dataset", "sft")
dpo = load_dataset("ВАШ_ЮЗЕРНЕЙМ/nornikel-metallurgy-vl-dataset", "dpo")
grpo = load_dataset("ВАШ_ЮЗЕРНЕЙМ/nornikel-metallurgy-vl-dataset", "grpo")

Формат записи

  • —sft: {"messages": [{"role":"user","content":"<image>Вопрос"},{"role":"assistant","content":"Ответ"}], "images": ["images/xxx.png"]}
  • —dpo: то же + "rejected_response": "..."
  • —grpo: {"messages": [{"role":"user","content":"<image>Вопрос"}], "images": [...], "solution": "короткий проверяемый ответ"}

Поле images — относительные пути внутри репозитория (папка images/).

Как размечено

Разметка построена rule-based способом (регулярные выражения для фактов вида "показатель: значение" + парсинг таблиц), без использования LLM. Изображения с людьми на фото исключены через локальную детекцию лиц (OpenCV YuNet). Подробности и код пайплайна: см. соответствующий репозиторий с кодом.

Ограничения

Вопросы шаблонные (не сгенерированы LLM), ответы экстрактивные (взяты дословно/близко к тексту источника). .doc и .rar файлы источника не были обработаны (нет конвертера на машине сборки).

brics-edtech/nornikel-metallurgy-vl-dataset · CoolFace