markendo/Visual-Extraction-Tuning-382K

---
language:
- en
task_categories:
- visual-question-answering
- question-answering
- image-text-to-text
---

# Visual Extraction Tuning 382K

This repository contains the generated visual extraction tuning dataset from the paper [Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models](https://huggingface.co/papers/2511.17487).

Project page: https://web.stanford.edu/~markendo/projects/downscaling_intelligence

Code: https://github.com/markendo/downscaling_intelligence


## Overview
We provide the 382K examples generated using our visual extraction tuning data generation pipeline.

## Usage
In this repo, we provide json files for each data subset. The instructions for downloading corresponding images is at https://github.com/zackschen/CoIN.

语言：
- 英语
任务类别：
- 视觉问答（visual-question-answering）
- 问答（question-answering）
- 图像-文本转文本（image-text-to-text）

# 视觉提取微调382K（Visual Extraction Tuning 382K）

本仓库包含来自论文《降维智能：探索小型多模态模型的感知与推理瓶颈（Downscaling Intelligence: Exploring Perception and Reasoning Bottlenecks in Small Multimodal Models）》（链接：https://huggingface.co/papers/2511.17487）所生成的视觉提取微调数据集。

项目主页：https://web.stanford.edu/~markendo/projects/downscaling_intelligence

代码仓库：https://github.com/markendo/downscaling_intelligence


## 数据集概览

我们提供了通过本文提出的视觉提取微调数据生成流水线所生成的382K条样本数据。

## 使用说明

本仓库为每个数据子集均提供了JSON格式文件。相关图像的下载说明可参考：https://github.com/zackschen/CoIN。