资料内容：
当前数据集缺陷
当前多模态数据集主要分为3类：
1. ⻚⾯级：以⽂档名作为⽂件夹命名、每⼀⻚的⽂件内容以图⽚形式提供，按⻚码排序，问答对以
23
parquet形式提供
2. 块级：
a. 提供pdf⽂档源⽂件、问答对json（包含问题、答案、引⽤的块，块通过layout划分并建⽴索
引）
b. 分别提供图⽚、图表、⽂本三部分内容，三种模态分属同⼀主题的不同内容，并⽆强相关性
第⼀类：以图⽚形式提供的⻚⾯级数据集，往往内容形式丰富，且保留了模态间的布局关系，但是主要
⽤于将多模态统⼀到图⽚模态进⾏检索的rag，并不是真正的多模态
第⼆类：以pdf源⽂件+json形式提供的数据集，为了便于通过layout划分块并建⽴顺序索引，往往采⽤结
构⽐较固定的⽂档（wiki、学术论⽂），且json中以list列表依赖的块，丢失了块之间的布局、位置关系
等信息
第三类：将三种模态分开提供的数据集，⽆模态数据间的布局、语义等关联关系
