MIT:n ChartNet: Miljoonan kaavion tietoaineisto opettaa tekoälyä ymmärtämään kaavioita
IBM
Alibaba/Qwen
Google/DeepMind
OpenAI
Hugging Face
MIT ja IBM Research esittelivät ChartNetin, multimodaalisen tietoaineiston, joka sisältää 1,7 miljoonaa esimerkkiä tekoälyn kouluttamiseksi kaavioiden ymmärtämiseen. ChartNetillä hienosäädetyt pienet mallit kilpailevat suurten mallien, kuten GPT-4on, kanssa kaavioiden ymmärtämistehtävissä ja ylittävät ne toisinaan.
MIT:n ja IBM Researchin tutkijat loivat ChartNetin, laajan multimodalisen tietoaineiston kaavioiden ymmärtämistä varten. Se sisältää 1,7 miljoonaa esimerkkiä, jotka on tuotettu 150 000 yksilöllisestä kaaviosta palauttamalla Python-koodi ja soveltamalla laajennuksia monipuolisten visualisointien luomiseksi kuudella kirjastolla (Matplotlib, Seaborn, Plotly, Vega-Altair, Pygal, Plotnine) ja 24 kaaviotyypillä. Tietoaineisto tukee useita tehtäviä: kaaviosta koodiksi, kaaviosta taulukoksi, kaaviosta tekstiksi ja kaavioihin liittyvä kysely–vastaus päättelyketjulla. Laadunvalvonta sisältää automaattisen suodatuksen (77 prosentin koodin suoritus onnistuu) ja manuaalisen tarkistuksen 3 157 satunnaiselle kaaviolle. Pienten kielimallien (esimerkiksi Granite-Vision-3.3-2B) hienosäätö ChartNetillä tuottaa tuloksia, jotka ovat kilpailukykyisiä GPT-4o:n kanssa tai ylittävät sen useilla vertailuarvoilla. Tietoaineisto sisältää myös turvallisuuden osa-aineiston, jossa on 7 600 esimerkkiä arkaluonteisista aiheista.
Lähde: Habr — хаб NLP —
Alkuperäinen