MC-Search
קוד פתוחYennNingרישיון לא דווח2026-02-22
המאגר כולל שאלות מורכבות שמאלצות סוכני מודלים לפרק בעיות ולבצע אחזור רב שלבי על טקסט ותמונות. הוא נבנה במיוחד כדי לבחון ולשפר שרשראות חשיבה ארוכות בסביבת חיפוש מולטימודלית פתוחה.
- 134הורדות בחודש
- 28לייקים
מה זה
במרכז המאגר יושבות שאלות מורכבות שמחייבות שילוב פעיל בין מקורות מידע חזותיים וטקסטואליים. כל דוגמה מכילה שדה שאלה ראשי, תשובה מלאה ומאומתת, רשימת תמונות מסוג פיל, כותרות ומזהים לתמונות, וכן שדה המגדיר את המבנה הלוגי של החשיבה. החלק המרכזי בכל רשומה הוא שרשרת פירוק של שאלות משנה, הכוללת את אופן המודאליות הנדרש ותשובות ביניים מסודרות.
לצד סט האימון שמחולק לשמונה קובצי פארקט, המאגר מספק בסיס ידע שלם לחיפוש רב שלבי. בסיס הידע הזה מורכב מתיקייה ייעודית שמכילה קובץ טקסטואלי של 14,037 פסקאות מסמכים, קובץ מטא דאטה של 10,953 תמונות, וקובץ דחוס עם וקטורים מחושבים מראש של המקורות האלה. הכרטיס לא מציין מאיזה אתרים או מקורות חיצוניים נאספו המסמכים והתמונות, וגם תהליך הסינון או הבקרה האנושית לא מתוארים בו.
מתאים ל
- בחינת סוכני חיפוש
מדידת ביצועים של מודלים מולטימודליים בפירוק בעיות ובחיפוש דינמי על מאגר תמונות וטקסט.
- אימון שרשראות חשיבה
כוונון עדין של מודלים להפקת שאלות ביניים ותשובות שלביות להסקה מורכבת.
- פיתוח מערכות אחזור
בדיקת מנועי חיפוש משולבים שמסתמכים על וקטורים מוכנים מראש מול טקסט ותמונות.
איפה זה נופל
הכרטיס לא מציין אף מילה על תמיכה בשפות אחרות, כך שמדובר בתוכן באנגלית בלבד. לא מוסבר מאיפה הגיעו המסמכים והתמונות, מה שמשאיר שאלות פתוחות לגבי זכויות יוצרים, תאריכי עדכון והטיות תוכן. מי שבונה מוצר לא יכול להסתמך על המידע הזה בלי בדיקה מעמיקה של התמונות והטקסטים בפועל.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא, אין רישיון מוצהר בעמוד המאגר. ללא רישיון מפורש כל הזכויות שמורות ליוצרים, ואתם מסתכנים בהפרת זכויות יוצרים אם תשתמשו בו לצרכים מסחריים.
האם יש במאגר תוכן או שאלות בעברית?
לא. כל הנתונים, השאלות ובסיס הידע של המסמכים בנויים באנגלית בלבד, ואין שום התייחסות לשפות נוספות בתיעוד.
מה מבדיל אותו ממאגרי הערכה מולטימודליים רגילים?
רוב המאגרים מגישים למודל את התמונה והשאלה יחד. כאן המודל חייב לחפש את המידע בעצמו מתוך אלפי תמונות ומסמכים ולפתור שרשרת שלמה של שאלות ביניים כדי לענות.
מאיפה נאספו התמונות והמסמכים של בסיס הידע?
יוצרי המאגר לא פירטו בכרטיס את מקורות המידע. ידוע רק שבסיס הידע כולל 14,037 פסקאות מסמכים וכן 10,953 תמונות.
איך טוענים
טוענים את הנתונים ישירות דרך ספריית הדאטהסטס בקוד פייתון רגיל ללא צורך בהרשאת גישה מיוחדת. הנתונים מחולקים לשמונה קובצי פארקט עבור האימון, ולצידם קובצי ג'ייסון וארכיון טאר דחוס שמחזיק וקטורים של בסיס הידע. כדאי להתמקד בשדות של שאלת המשנה והתמונות, שכן השאלות דורשות שילוב בין התמונות לטקסטים כדי לעקוב אחרי שרשרת ההסקה המלאה.
from datasets import load_dataset
ds = load_dataset("YennNing/MC-Search")הרישיון
היוצרים לא הגדירו רישיון למאגר. מבחינה משפטית זה אומר שאין לכם שום הרשאה להשתמש בו לצרכים מסחריים, ואפילו שימוש מחקרי נמצא באזור אפור. אימון מודל על נתונים ללא רישיון מסכן את היכולת להפיץ את המשקלים או להשתמש בתוצרים בתוך מוצר.