Meet DanQing: a 100M‑pair Chinese vision‑language dataset

Share
Meet DanQing: a 100M‑pair Chinese vision‑language dataset

Chinese AI that can both see and read needs better data. Meet DanQing—an up‑to‑date Chinese vision‑language dataset with 100M image–text pairs. Built from 2024–2025 Common Crawl data and curated with a rigorous pipeline, DanQing aims to power stronger multimodal models.

Why it matters

  • Bridges the gap with English datasets like LAION/COYO; Chinese VLP has long lacked scale and quality.
  • Fresher semantics: reflects new brands, slang, and events from recent years.
  • Higher data quality via stricter selection to reduce noise and mismatches.
  • Proven gains: continual pretraining of SigLIP2 shows consistent improvements on Chinese zero‑shot classification, cross‑modal retrieval, and LMM evaluations.
  • Open and usable: released under CC‑BY 4.0 for broad research and product use.

Paper: https://arxiv.org/abs/2601.10305

Paper: https://arxiv.org/abs/2601.10305v1

Register: https://www.AiFeta.com

#AI #MachineLearning #ComputerVision #Multimodal #VisionLanguage #Chinese #Dataset #OpenSource #CLIP #SigLIP #Research #DanQing

Read more

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Uusi vertailu näyttää, että tekoälyn tapa muotoilla järjestelmävaatimuksia luonnollisen kielen kysymyksiksi vaihtelee mallin ja aiheen mukaan. Siksi tärkeintä ei ole valita ”parasta” mallia, vaan tilanteeseen sopiva. Kuvitellaan tuttu kokous: pöydän ääressä yritetään päättää, mitä uuden tietojärjestelmän pitää pystyä tekemään. Syntyy lista kysymyksiä, joihin järjestelmän on osattava vastata. Esimerkiksi: ”Mitkä lääkkeet

By Kari Jaaskelainen
Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Kun tutkija jättää työpöytänsä, hänen äänensä ei välttämättä vaikene. Pelkistä julkaisuista voidaan jo rakentaa tekoäly, joka ohjaa väitöskirjaa, arvioi artikkeleita ja väittelee paneelissa – uskottavasti. Useimmat meistä ajattelevat tutkimusartikkeleita kirjastoiksi: hyllyriveiksi ajatuksia, joihin muut voivat palata. Uusi arXivissa julkaistu esityspaperi ehdottaa toisenlaista kuvaa. Julkaisut ovatkin rakennuspiirustuksia, joista voidaan koota tekijänsä ajattelutapa

By Kari Jaaskelainen
Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Moni tietää tunteen seminaarin päätteeksi: ohjelma oli kiinnostava, mutta kuka päätti, mistä puhuttiin ja mistä ei? Usein vastaus on pieni ohjelmakomitea, joka tekee valinnat ennakkoon. Yleisö kuuntelee, harva vaikuttaa. Eräässä tekoälyn yhteiskunnallisia vaikutuksia käsittelevässä kansainvälisessä konferenssissa kokeiltiin toisenlaista tapaa. Osallistujat eivät vain tulleet paikalle – he auttoivat muokkaamaan itse tilaisuuden suuntaa.

By Kari Jaaskelainen