跳到主要内容Skip to main content

Models · Data · 多模态

LLaVA-Instruct-150K

用 GPT 生成图文指令,覆盖描述、推理与对话,是早期多模态 SFT 的常用基线。

来源LLaVA / University of Wisconsin-Madison
规模15 万条图文指令
语言英文
格式JSON
许可LLaVA 数据条款;图像随 COCO
商用需逐项核对图像与文本条款
获取Hugging Face 直接下载
任务适配多模态 SFT / 图文问答
核验日2026-11-19

质量与偏差

用 GPT 生成图文指令,覆盖描述、推理与对话,是早期多模态 SFT 的常用基线。

使用边界

指令由模型生成,存在幻觉与风格偏差;图像来自 COCO,版权随源数据集。

第一次使用

先抽 1,000 条检查图文对齐与指令多样性,再决定是否全量。

常见坑

把生成指令当人工标注;忽略图像许可。

成本

中等;多模态训练需要 GPU 显存。

不适合

不适合直接做中文多模态或医疗影像。

对比与替代

与 DataComp / LAION 相比更偏指令数据,不是预训练图文对。

怎么验证

核对图像 ID 与指令字段;抽 50 条看图文是否一致。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/liuhaotian/LLaVA-Instruct-150K · 核验日 2026-11-19 · 许可以来源页为准