arXiv cs.AI阿里巴巴·61 天前★ 3

SCAFFOLD：计算机科学图表问答数据集

原文标题：SCAFFOLD: A Large-Scale Structured Dataset of Computer Science Research Figures with Diagram QA and Chain-of-Thought Reasoning Traces

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

SCAFFOLD是首个大规模结构化数据集，包含arXiv计算机科学论文的图表、标题、上下文、问答和思维链推理。提供157K、37K和12K三种规模，用于训练视觉语言模型理解图表。

问题: 缺少配对计算机科学论文图表、标题、上下文、问答和逐步推理的公开数据集，难以训练视觉语言模型理解图表。
方法: 用布局检测和PDF解析从arXiv论文构建(image, caption, context, QA, CoT)元组，辅以AI辅助问题生成。
结果: 发布SCAFFOLD-157K（3058篇论文、29887张图、157387对）、37K和12K三个规模，用12K在Qwen2.5-VL-3B-Instruct上做基线实验。
影响: 为图表理解VLM提供大规模结构化训练数据，开发者可直接用于微调或评测。