格灵深瞳发布大规模中文视觉预训练数据集“丹青”
格灵深瞳正式发布超大规模中文视觉-语言预训练数据集“丹青”（DanQing），该数据集涵盖1亿条高质量图文匹配样本，数据采集时间覆盖2024至2025年全网公开资源。为提升数据质量，该数据集引入了更为精细的数据清洗与质量评估机制。实验结果显示：基于SigLIP2模型开展的基准测试表明，“丹青”在零样本图像分类、跨模态图文检索以及大型多模态模型综合能力评估等多项目关键任务中，均展现出卓越性能。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
据项目团队介绍，其构建了一套融合BERTopic算法的主体建模流程。具体而言，研究人员从全量数据中随机采样1000万组图像-文本对，并采用Chinese-CLIP-L/14模型提取文本侧语义嵌入向量；针对高维空间聚类易受噪声干扰的问题，团队先利用UMAP进行非线性降维，再通过HDBSCAN算法识别语义密集簇，将最小簇规模设定为1000以增强聚类鲁棒性并抑制离群噪声；最终，基于各主题内部词频分布，采用类别加权的TF-IDF策略提取最具代表性的关键词集合。
“丹青”数据集游戏内容已开放获取。
热门专题
热门推荐
加密货币行业翘首以盼的监管里程碑，终于有了实质性进展。美国证券交易委员会（SEC）主席保罗·阿特金斯（Paul Atkins）近日证实，那份允许加密项目在早期获得注册豁免权的“安全港”框架提案，已经正式送抵白宫，进入了最终审查阶段。 在范德堡大学与区块链协会联合举办的数字资产峰会上，阿特金斯透露了这
微策略Strategy报告：第一季录得144 6亿美元浮亏 再斥资约3 3亿美元买进4871枚比特币 市场震荡的威力有多大？看看Strategy的最新季报就明白了。根据其最新向美国证管会(SEC)提交的8-K报告，受市场剧烈波动影响，这家公司所持的比特币在第一季度录得了一笔惊人的数字——144 6亿
稳定币巨头Tether的动向，向来是加密世界的风向标。这不，它向Web3基础设施的版图扩张，又迈出了关键一步。公司执行长Paolo Ardoino在社交平台X上透露，其工程团队正在全力“烹制”一个新项目——去中心化搜索引擎 “Hypersearch”。这个消息一出，立刻引发了行业的广泛猜想。 采用D
基地位于Coinbase旗下以太坊Layer2网络Base的Seamless Protocol，日前正式宣告了服务的终结。这个曾经吸引了超过20万用户的原生DeFi借贷协议，在运营不到三年后，终究没能跑赢时间。它主打的核心产品是Integrated Leverage Markets（ILMs）——一
PAAL代币揭秘：深度解析Web3社区治理的核心钥匙 在去中心化自治组织的浪潮中，谁真正掌握了项目的话语权？PAAL代币提供了一套系统化的答案。它不仅是生态内流转的价值媒介，更是开启链上治理大门的核心凭证。通过持有并质押PAAL代币，用户能够对协议升级、资金分配乃至战略方向等关键事务投出决定性的一票