中电数据产业集团有限公司

通用合成图文数据集是一个千万级规模的图文合成数据集，该数据集从开源图像数据中，结合 prompt 知识库与大模型（图像分割、 图生文）能力，提取物理世界知识。对知识进行融合、分类分级等处理，构建物理世界知识数据库。合成图像引擎调用物理世界知识数据库，结合 prompt 知识库与大模型（文生图）能力，生成图像数据；在此过程中涉及到使用大语言模型对文本进行泛化、增强。对生成图像数据进行分类分级、自动化标注处理，构建合成图文对数据集。其中文本数据使用的语言主要为中文，目前已合成超过 3000 万图文对数据集，且规模持续增长。该数据集的核心技术在于以语义化处理为基础的智能加工方法，结合行业知识与领域需求，对原始图像数据进行深度处理与增强，构建高质量图文对齐数据集。