yuhuanstudio/

wikipedia-omni-zh

正文与图片交错排列：text 里的每个 占位符对应 images 数组的 同一个位置，顺序就是图片在条目中原本出现的位置。格式对齐 MMC4／OBELICS 的惯例。

📅 当前版本：2608（维基百科 dump 日期：2026/8/1）

	字段




	

字段 说明

id / title / url 同纯文本版，可用 id 对应

text 条目全文，图片位置以 标示

images 图片数组：url / file_name / caption / alt

不变量：text.count("") == len(images)，全量实测 0 误差。章节被丢弃时 它的图片一并丢弃，两者永远对得上。 与纯文本版的差别只有 图片处理：纯文本版把标记整行移除、并清掉“拿掉图片后就空掉”的章节；这一版 保留它们——只有地图的一节对纯文本模型是空标题，对多模态模型是有价值的图文对。

⚠️ 图片授权各不相同（CC… See the full description on the dataset page: https://huggingface.co/datasets/yuhuanstudio/wikipedia-omni-zh.