Выложенный в открытый доступ датасет Alchemist предназначен для использования при тонкой настройке с учителем (Supervised Fine-Tuning, SFT) моделей, генерирующих изображения по текстовому запросу (Text-to-Image Model).

Он состоит из 3,3 тыс. пар «картинка — текст» в высоком разрешении.

Из первоначального набора в 10 млрд полученных с помощью веб-скрейпинга изображений с помощью классификатора были отобраны картинки высокого разрешения, после чего удалены те, что содержали вотермарки, имели низкое качество и были неэстетичны. Далее предобученная диффузионная модель отобрала те изображения, которые наилучшим образом позволяют провести SFT.

В ходе последнего этапа для каждого изображения с помощью визуально‑текстовой мультимодальной модели YandexVLM было сгенерировано словесное описание, похожее на пользовательский запрос.

Датасет Alchemist был представлен исследователями из Yandex Research в мае 2025 года.

Препринт на arXiv

👤 Валерий Старцев

👤 Сергей Кастрюлин

👤 Алексей Кириллов