---
title: arithmetic-llm
canonical_url: "https://www.modelscope.cn/datasets/wcpsoft/arithmetic-llm"
md_url: "https://www.modelscope.cn/datasets/wcpsoft/arithmetic-llm.md"
repository: wcpsoft/arithmetic-llm
chinese_name: "多模态算术模型训练数据集"
last_updated: 2026-08-09
license: cc-by-sa-4.0
storage_size: "31 MB"
downloads: 75
stars: 0
---

# arithmetic-llm

> arithmetic-llm - wcpsoft 在 ModelScope 开源的数据集。MNIST 图像 → 字节级算术 训练数据集。

wcpsoft/arithmetic-llm 是 ModelScope 魔搭社区上的数据集，存储大小 31 MB，采用 cc-by-sa-4.0 许可。

- **Repository**: wcpsoft/arithmetic-llm
- **License**: cc-by-sa-4.0
- **Storage size**: 31 MB
- **Downloads**: 75
- **Stars**: 0
- **Last updated**: 2026-08-09

Source: https://www.modelscope.cn/datasets/wcpsoft/arithmetic-llm

---

# arithmetic-llm

**MNIST 图像 → 字节级算术** 训练数据集。

用于教学向的字节级算术大模型 (`byte-omni-model-zh`)：给定一个显式数字 (digit 0-9) 与一张 MNIST 图像 (隐式数字)，预测两者之和。

```text
输入: digit_byte + MNIST_image_bytes
输出: result_bytes

示例:
  digit = "1" + image(数字 "2") → 预测 "3"
```

## Schema

| 列 | 类型 | 说明 |
|----|------|------|
| `id` | int | 序号 |
| `image_base64` | str | MNIST 图像 PNG (base64) |
| `pixels` | float[] | 28×28 展平像素 (0-1), 784 维 |
| `label` | int | 图像数字标签 (0-9) |
| `split` | str | `train` (59134) / `test` (9943) |
| `image_hash` | str | SHA-256 逐字节指纹 |
| `phash` | str | 16×16 感知哈希位串 (与 label 综合去重) |

## 划分

| split | 行数 |
|-------|------|
| train | 59134 |
| test  | 9943  |
| 合计   | 69077 |

## 清洗说明 (去重)

- 原始 MNIST 无逐字节重复 (SHA-256 重复 = 0)。
- 但存在大量**视觉近重复** (同图数字, 仅差少量像素)。
- 采用 **16×16 感知哈希 + label 综合去重**: 键 = `(phash, label)`, 保留首现。
  - 同图同数字 → 视为冗余删除; 同图异数字 → 作为难样本保留。
- 去重结果: train 60000 → 59134 (删 866), test 10000 → 9943 (删 57)。

## 来源与许可

- 原始数据: Yann LeCun 的 MNIST 手写数字数据集 (cc-by-sa-4.0)。
- 本数据集为加工版本：补充 PNG base64、784 维像素数组、SHA-256 指纹与 16×16 感知哈希，按 train/test 划分并去重。
- 用法示例见 [byte-omni-model-zh](https://github.com/wcpsoft/byte-omni-model-zh)。