Датасет · HuggingFaceM4
Мультимодальный датасет по распознаванию документов
HuggingFaceM4/DoclingMatix
От 1 до 10 млн пар «изображение документа — текст» на английском для обучения VLM-моделей.
Что внутри
Крупный мультимодальный датасет от HuggingFaceM4 на английском языке объёмом от 1 до 10 миллионов записей, объединяющий изображения и текст. Он создан путём переработки корпуса Docmatix специально для обучения компактной модели SmolDocling сквозной конвертации документов.
Что можно сделать
- Обучение и дообучение мультимодальных моделей (VLM) для парсинга и OCR документов
- Тренировка моделей ответов на вопросы по сканам и страницам (Visual Question Answering)
- Задачи
- Вопросы по картинкам, Картинка + текст
- Языки
- Английский
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 3,2 тыс.
- Лайков
- 58
Модели, обученные на нём
- ibm-granite/granite-docling-258MКартинка + текст 423,4 тыс.
- docling-project/SmolDocling-256M-previewКартинка + текст 24,9 тыс.
- docling-project/granite-docling-2stage-258mКартинка + текст 573
- mradermacher/SmolDocling-256M-preview-i1-GGUF 405
- mradermacher/SmolDocling-256M-preview-GGUF 350
- Userb1az/granite-docling-258M-GGUFКартинка + текст 185
- Mungert/granite-docling-258M-GGUFКартинка + текст 166
- tevfikk/granite-docling-258M-bitnetКартинка + текст 60
Как загрузить
from datasets import load_dataset
ds = load_dataset("HuggingFaceM4/DoclingMatix")