01 / 故意包含错误的样例
看看问题出现在哪里。
3 条训练记录 + 1 条评测记录。包含缺失文件、图像标记不匹配，以及跨数据集重复。
3错误
1警告
按严重程度筛选，或搜索 missing_image 等规则名称。每条发现都标出记录与字段。
图文数据检查 · v0.3.1 预览版
训练开始前，
先找到数据里的问题。
图片缺失、图像标记数量不对、训练集与评测集精确重叠。直接打开真实报告，查看出错行、字段与修复建议，无需安装。
下方报告由真实命令行工具运行仓库自带的微型合成样例生成。
02 / 独立的正常样例
看看通过检查的结果。
2 条训练记录 + 1 条评测记录。本地彩色方块图片与提示词匹配，未发现数据重叠。
0错误
0警告
通过只代表当前规则没有发现问题。答案质量、训练模板和模型行为还需要另外验证。
这是两组独立的合成数据，不是“自动修复前后”对比。工具负责检查，修复方式由你决定。HTML 报告正文为英文。
自己的数据，在本地检查。
本站只展示仓库样例。检查私有数据时，安装 Python 命令行工具，在自己的电脑上生成报告。
- CPU 即可，无需模型、外部 API 或账号。
- 支持 JSON / JSONL，以及
messages和 ShareGPTconversations格式。 - 报告附输入哈希与设置，便于复现。
安装后，先检查正常样例
vlm-data-doctor check \
examples/clean/train.jsonl \
--eval examples/clean/validation.jsonl \
--strict --format html \
--output clean-report.html在仓库根目录运行，再打开 clean-report.html。每次使用新输出文件名，已有报告不会被覆盖。
理解检查的边界。
当前检查记录结构、图片解码与精确重叠。不判断答案质量，不识别裁剪或重压缩后的近重复图片，也不预测模型效果。