Update README.md

README.md

@@ -35,39 +35,55 @@ tags:
 
 ## Ⅰ 数据集
 
-原始来源：
-- [Chinese-LLaVA-Vision](https://huggingface.co/datasets/LinkSoul/Chinese-LLaVA-Vision-Instructions)：包含约57万张预训练图像，来自CC-3M和COCO 2014
-- [llava-en-zh-300k](https://huggingface.co/datasets/BUAADreamer/llava-en-zh-300k)：包含300k条指令微调数据和15万张图像
-- [LLaVA-SFT-665K](https://huggingface.co/datasets/csuhan/LLaVA-SFT-665K)：包含665k条指令微调数据
+本轮训练用到的图文数据全部来自 [ALLaVA-4V](https://huggingface.co/datasets/FreedomIntelligence/ALLaVA-4V) 系列。
+相比以往从几份 LLaVA 衍生集拼接得到的数据，ALLaVA-4V 的质量更整齐、中英双语原生对照，细粒度描述也更充分。
+它由两个子源构成：一份是 LAION 里挑出来的高质量图片（自然图像为主），一份是 VFLAN 指令流里挑出来的图片（文档、图表、合成场景居多）。
 
-其中部分为中文数据，部分为英文数据。问答内容经过翻译，对中文支持更友好，进一步经过整理并`resize`（pretrain分辨率128×128，sft分辨率160×160）。
+- **Pretrain（`pretrain_i2t.parquet`，约 127 万条 / ~64 万张唯一图像）**
+  - `ALLaVA-Caption-LAION-4V` 英/中：~47万 + ~44万
+  - `ALLaVA-Caption-VFLAN-4V` 英/中：~19万 + ~17万
+  - 任务形式为"请描述这张图片"类的单轮长描述，用于让模型建立视觉 token 到语言 token 的基础对齐。
 
-(pretrain_i2t.parquet) 预训练数据集格式：
+- **SFT（`sft_i2t.parquet`，约 290 万条 / ~65 万张唯一图像）**
+  - `ALLaVA-Instruct-LAION-4V` 英/中：~47万 + ~47万
+  - `ALLaVA-Instruct-VFLAN-4V` 英/中：~19万 + ~17万
+  - `Instruct-LAION-4v-gemini-claude-ensembled`（Gemini/Claude 合成的增广指令）：~5万
+  - `Instruct-LAION-4oiterative`（基于 GPT-4o 迭代润色的指令）：~5万
+  - 纯文本对话（保留基础语言能力，图像列填 8×8 黑图占位）：~23万
+  - **Pretrain caption 数据全量合并**（与 pretrain 同源、~99% 图像重叠）：~127万
+  - 任务形式混合了"围绕图片的推理式问答"、"caption 长描述"和"纯文本对话"，既考验细节追问/长链条推理，也兼顾图像描述与通用语言能力。
+
+合计约 290 万条样本，Pretrain 阶段可直接跳过（SFT 已把 Pretrain 作为子集吸收）。中英比例大致均衡。
+考虑到 MiniMind-V 的语言主干仅 67M，把英文和中文一起喂进去是比较稳妥的做法——中文语料对母语输出更友好，而英文原生描述通常更精细，两者互为补充。
+
+图像统一 `resize` 到 **256×256**（与 SigLIP2 NaFlex 编码器的 256 patch token 输入规格相对应），重新编码为 JPEG 打包进 parquet。
+
+(`pretrain_i2t.parquet`) Pretrain 数据集格式：
 
 ```text
-列名: conversations (json string), image_bytes (binary), image_names (string)
+列名: conversations (json string), image_bytes (binary)
 
 conversations 示例:
 [
-  {"role": "user", "content": "提供给定图像的简要描述。\n<image>"},
-  {"role": "assistant", "content": "橄榄油是自由使用的健康成分。"}
+  {"role": "user", "content": "<image>\n请提供对图片的详细文字描述。"},
+  {"role": "assistant", "content": "这张图片展示的是一个..."}
 ]
 image_bytes: <图像二进制数据>
 ```
 
-(sft_i2t.parquet) 单图指令微调数据集格式：
+(`sft_i2t.parquet`) 单图 SFT 数据集格式：
 
 ```text
-列名: conversations (json string), image_bytes (binary), image_names (string)
+列名: conversations (json string), image_bytes (binary)
 
 conversations 示例:
 [
-  {"role": "user", "content": "闹钟的位置对睡眠质量有什么影响？<image>"},
-  {"role": "assistant", "content": "把数字闹钟放在床头柜..."}
+  {"role": "user", "content": "根据图片推断这个场景的大致时间？<image>"},
+  {"role": "assistant", "content": "从光线和阴影来看..."}
 ]
 image_bytes: <图像二进制数据>
 ```
 
-> 注：sft_i2t.parquet 共约 58 万条数据，其中约 23.6 万条为含图对话（i2t），约 34.6 万条为纯文本对话（t2t），后者用于保持模型的基础语言能力。
+> 注：sft_i2t.parquet 共约 290 万条数据，其中约 140 万条为图像 instruct 对话、约 127 万条为图像 caption 描述（Pretrain 数据合并而来）、约 23 万条为纯文本对话（t2t，图像列填 8×8 黑图占位，用于保持模型的基础语言能力）。由于 Pretrain 已作为子集并入，可选择跳过 Pretrain 阶段直接进行 SFT。
 
-数据集下载地址：([ModelScope](https://www.modelscope.cn/datasets/gongjy/minimind-v_dataset) | [HuggingFace](https://huggingface.co/datasets/jingyaogong/minimind-v_dataset))
+数据集下载地址：([ModelScope](https://www.modelscope.cn/datasets/gongjy/minimind-v_dataset) | [HuggingFace](https://huggingface.co/datasets/jingyaogong/minimind-v_dataset))