HoneyBee
קוד פתוחfacebookcc-by-nc-4.02025-10-15
מאגר לאימון מודלי שפה ותמונה על פתרון בעיות עם שרשראות חשיבה. פייסבוק בנו אותו כדי לשפר ביצועי הסקה ויזואלית באמצעות תיאורי תמונות ותשובות מפורטות.
- 242הורדות בחודש
- 24לייקים
מה זה
המאגר כולל כ־2.5 מיליון דוגמאות שנבנו סביב 350 אלף זוגות של תמונות ושאלות. פייסבוק חילקו את המידע לשלושה מקורות עיקריים לפי השדה q_source. החלק הראשון נשען על שאלות טקסטואליות מתוך OpenThought3, והחלק השני מבוסס על שאלות ותמונות מתוך ViRL. בחלק השלישי פייסבוק השתמשו בתמונות מ־ViRL אך יצרו עבורן שאלות חדשות לחלוטין בעזרת Llama-4 Scout.
התוכן המרכזי שפייסבוק יצרו בפועל הוא שרשרת החשיבה שמספקת את הפתרון. כל שרשרת כזו כוללת תיאור תמונה שמופיע בתוך תגיות ייעודיות, נימוק שלבי, ואת התשובה הסופית. פייסבוק לא מפיצים את התמונות של ViRL או את השאלות המקוריות ישירות בקובץ, אלא מספקים קובץ CSV ומזהים שדורשים הרכבה עצמאית.
מתאים ל
- אימון מודלי ראייה והסקה
לימוד מודלים קטנים לפרק בעיות ויזואליות לשלבים ולהסיק מסקנות לפי תיאורי תמונה ושרשראות חשיבה מפורטות.
- מחקר על דאטה סינתטי
בדיקת ההשפעה של שילוב שאלות ופתרונות שנוצרו על ידי מודלי שפה גדולים מול נתונים שנאספו ידנית.
- אופטימיזציית הסקה
בחינת שיטות להפחתת עלויות חישוב וזמני פענוח במבחני מתמטיקה והיגיון ויזואלי בלי לפגוע בדיוק המודל.
איפה זה נופל
הנתונים כולם באנגלית ואין כאן עברית בכלל. הדאטהסט לא מגיע מוכן לעבודה מהקופסה, והתלות בהורדה חיצונית של ViRL ובשאיבת OpenThoughts עלולה לשבור את תהליך ההכנה אם הקישורים ישתנו. בנוסף, כל שרשראות החשיבה והשאלות החדשות הן פלט סינתטי של מודל Llama-4 Scout, כך שהן כוללות בהכרח הזיות וטעויות הסקה של המודל שלא עברו סינון אנושי ידני לפני הפרסום.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא. המאגר שוחרר תחת רישיון cc-by-nc-4.0 שאוסר שימוש מסחרי מכל סוג. הוא מיועד למחקר אקדמי ולניסויים פנימיים בלבד.
האם המאגר כולל תמיכה בשפה העברית?
לא, כל הנתונים, השאלות ושרשראות החשיבה הם באנגלית בלבד. כדי לעבוד בעברית תצטרכו לתרגם את השאלות והפתרונות בעצמכם או לבנות סט נתונים מקביל.
האם מורידים את כל המאגר ישירות מכאן?
לא. הקובץ מכיל בעיקר את שרשראות החשיבה והמזהים שיצרה פייסבוק. את התמונות עצמן צריך להוריד ממאגר ViRL39K, ואז להריץ את סקריפט המיזוג שמצורף כאן כדי להרכיב את הדאטהסט המלא.
מה התנאי של מטא לגבי מודלים שמאומנים על הדאטהסט?
הטקסטים נוצרו על ידי Llama 4 ולכן כפופים לרישיון שלו. אם אתם מאמנים מודל על הנתונים האלה ומפיצים אותו, חובה לקרוא לו בשם שמתחיל במילה Llama.
איך טוענים
הקובץ המרכזי במאגר הוא public_honeybee.csv, ואין צורך בבקשת גישה מיוחדת כדי להוריד אותו. כדי לקבל דאטהסט עובד צריך להוריד את קובץ התמונות ממאגר ViRL39K ולהריץ את הסקריפט full_data.py שנמצא כאן, שממזג את השאלות והתמונות המקוריות עם התוצרים של פייסבוק. השדות החשובים ברשומות הם q_id לזיהוי, q_source למקור השאלה, image_path לנתיב התמונה, ו־cot שמכיל את תיאור התמונה והפתרון המלא.
from datasets import load_dataset
ds = load_dataset("facebook/HoneyBee")הרישיון
הרישיון הוא cc-by-nc-4.0 ולכן השימוש מוגבל למחקר בלבד ואסור לחלוטין לשימוש מסחרי. בנוסף, בגלל שהטקסטים נוצרו על ידי Llama 4, חלים עליהם תנאי הרישיון של מטא. התנאים האלה קובעים שאם אתם מאמנים, מכווננים או מפתחים מודל שמבוסס על המידע הזה ומפיצים אותו, אתם מחויבים להתחיל את השם של המודל שלכם במילה Llama. תכנים שהגיעו ממקורות צד שלישי כפופים לרישיונות המקוריים שלהם.
- שינוי הקוד
- חובת ייחוס
- שימוש מסחרי: לא