Datasetpublic

wcpsoft/arithmetic-llm

arithmetic-llm MNIST 图像 → 字节级算术训练数据集。用于教学向的字节级算术大模型 (byte-omni-model-zh)：给定一个显式数字 (digit 0-9) 与一张 MNIST 图像 (隐式数字)，预测两者之和。输入: digit_byte + MNIST_image_bytes 输出: result_bytes 示例: digit = "1" + image(数字 "2") → 预测 "3" Schema 列类型说明 id int 序号 image_base64 str MNIST 图像 PNG (base64) pixels float[] 28×28 展平像素 (0-1), 784 维 label int 图像数字标签 (0-9) split str train (59134) / test (9943) image_hash str SHA-256 逐字节指纹 phash str 16×16 感知哈希位串 (与 label… See the full description on the dataset page: https://huggingface.co/datasets/wcpsoft/arithmetic-llm.

sourceHugging Facecc-by-sa-4.0updated 1mo agoView on Hugging Face

0likes48downloads

Dataset Card

arithmetic-llm

MNIST 图像 → 字节级算术 训练数据集。

用于教学向的字节级算术大模型 (byte-omni-model-zh)：给定一个显式数字 (digit 0-9) 与一张 MNIST 图像 (隐式数字)，预测两者之和。

text

输入: digit_byte + MNIST_image_bytes
输出: result_bytes

示例:
  digit = "1" + image(数字 "2") → 预测 "3"

Schema

列	类型	说明
`id`	int	序号
`image_base64`	str	MNIST 图像 PNG (base64)
`pixels`	float[]	28×28 展平像素 (0-1), 784 维
`label`	int	图像数字标签 (0-9)
`split`	str	`train` (59134) / `test` (9943)
`image_hash`	str	SHA-256 逐字节指纹
`phash`	str	16×16 感知哈希位串 (与 label 综合去重)

划分

split	行数
train	59134
test	9943
合计	69077

清洗说明 (去重)

—原始 MNIST 无逐字节重复 (SHA-256 重复 = 0)。
—但存在大量视觉近重复 (同图数字, 仅差少量像素)。
—采用 16×16 感知哈希 + label 综合去重: 键 = (phash, label), 保留首现。
—同图同数字 → 视为冗余删除; 同图异数字 → 作为难样本保留。
—去重结果: train 60000 → 59134 (删 866), test 10000 → 9943 (删 57)。

来源与许可

—原始数据: Yann LeCun 的 MNIST 手写数字数据集 (cc-by-sa-4.0)。
—本数据集为加工版本：补充 PNG base64、784 维像素数组、SHA-256 指纹与 16×16 感知哈希，按 train/test 划分并去重。
—用法示例见 byte-omni-model-zh。