Al hacer clic en "Aceptar", usted acepta que se almacenen cookies en su dispositivo para mejorar la navegación del sitio, analizar su uso y contribuir a nuestros esfuerzos de marketing. Consulte nuestra política de privacidad para más información.  pour plus d'informations.
Open Datasets
Cosmos Reason1 SFT Dataset
Multimodal

Cosmos Reason1 SFT Dataset

Un conjunto de datos masivo para el razonamiento encarnado, que combina vídeos (robótica, AV, gestos humanos) y anotaciones de texto detalladas.

Obtén el dataset
Tamaño

Aproximadamente 1,7 millones de pares de video-texto (más anotaciones en mp4), formatos JSON y vídeo, más de 300 GB

Licencia

CC-BY 4.0

Descripción

‍

Cosmos Reason1 SFT Dataset es un conjunto de datos multimodal publicado por NVIDIA, que combina más de 1 millón de pares de video-texto anotados para entrenar modelos de razonamiento encarnados. Abarca varias áreas: robótica (RoboVQA, BridgeDataV2, Agibot), gestos humanos (HoloAssist) y conducción autónoma (AV). Las anotaciones incluyen el razonamiento explícito, las cadenas de pensamiento y los metadatos detallados.

‍

‍

¿Para qué sirve este conjunto de datos?

‍

  • Entrene modelos capaces de comprender las acciones de los vídeos y deducir razonamientos complejos
  • Entrenamiento de IA integradas para robótica o asistencia humana en un entorno real
  • Evaluar la capacidad de los LLM para integrar la percepción visual y el razonamiento lógico

‍

‍

¿Se puede enriquecer o mejorar?

‍

Sí, es posible añadir anotaciones personalizadas, extender el corpus a otras áreas o crear versiones localizadas. Los vídeos originales son accesibles o reemplazables mediante los identificadores proporcionados, lo que permite enriquecerlos de forma semiautomática.

‍

‍

🔎 En resumen

Criterio Evaluación
🧩 Facilidad de uso⭐⭐⭐⭐✩ (Archivos bien estructurados, pero voluminosos)
🧼 Necesidad de limpieza⭐⭐⭐⭐⭐ (Bajo – anotaciones coherentes y listas para usar)
🏷️ Riqueza de anotaciones⭐⭐⭐⭐⭐ (Muy rico: razonamiento, acciones, cadenas de pensamiento)
📜 Licencia comercial✅ Sí (CC-BY 4.0)
👨‍💻 Ideal para principiantes⚠️ No – recomendado para usuarios avanzados en IA multimodal
🔁 Reutilizable para fine-tuning🎯 Excelente base para fine-tuning de LLM visuo-cognitivos
🌍 Diversidad cultural⚠️ A mejorar – datos centrados en escenarios técnicos

‍

‍

🧠 Recomendado para

  • Laboratorios de robótica
  • Investigadores de la cognición encarnada
  • Desarrollo de agentes de IA autónomos

‍

‍

🔧 Herramientas compatibles

  • PyTorch
  • Hugging Face Transformers
  • VideoLM
  • DeepSpeed
  • LoRA

‍

‍

💡 Consejo

Para usar el conjunto de datos de manera eficaz, comience con los subconjuntos (RoboVQA o BridgeDataV2) antes de procesar el corpus completo.

Preguntas frecuentes

¿Para qué tipos de tareas se puede usar este conjunto de datos?

Abarca tareas de razonamiento encarnado, control de calidad en vídeo, reconocimiento de acciones y tareas de comprensión de la interacción humana.

¿Se puede usar este conjunto de datos para aplicaciones comerciales?

Sí, la licencia CC-BY 4.0 lo permite, siempre que se acredite la fuente de acuerdo con los términos.

¿Hay límites de acceso a los vídeos?

Solo algunos sets (RoboVQA, AV) incluyen vídeos. Los demás se pueden encontrar con los nombres de archivo originales.

Otros datasets

Ver más
Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.

Category

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique.