SCAFFOLD: 计算机科学研究图表的大规模结构化数据集, 附带图表问答与思维链推理轨迹

摘要

SCAFFOLD 是一个面向计算机科学研究图表的大规模结构化数据集，由 arXiv 计算机科学论文经版面检测和 PDF 解析构建，包含（图像、标题、上下文、问答、思维链）元组，并采用 AI 辅助生成问题。数据集包括大规模 SCAFFOLD-157K（3,058 篇论文、29,887 张图、157,387 对）、中等规模 SCAFFOLD-37K（36,797 对）和小规模 SCAFFOLD-12K（12,000 对）；作者使用 SCAFFOLD-12K 对 Qwen2.5-VL-3B-Instruct 进行基线实验。