Датасет · LiquidAI
Извлечение структурированных JSON из документов на 16 языках
LiquidAI/structured-extraction
Мультиязычный набор синтетических документов в паре с JSON Schema и эталонными извлечёнными объектами для SFT.
Что внутри
Датасет от LiquidAI включает 6 000 примеров в обучающей выборке и 500 в тестовой, охватывающих 35 типов вымышленных документов (письма, чеки, бронирования, формы, объявления) на 16 языках. Для каждого текста приложены целевая JSON Schema и правильный JSON-объект; все имена, компании и идентификаторы сгенерированы и не содержат реальных персональных данных.
Что можно сделать
- SFT-дообучение LLM для надёжного парсинга неструктурированного текста в строгий JSON по заданной схеме
- Обучение систем автоматической обработки чеков, заявок, писем и форм на нескольких языках
- Бенчмаркинг качества structured output у языковых моделей
- Задачи
- Генерация текста
- Языки
- Английский, Арабский, Китайский, Французский, Немецкий, Итальянский, Японский, Корейский и ещё 4
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 793
- Лайков
- 45
Как загрузить
from datasets import load_dataset
ds = load_dataset("LiquidAI/structured-extraction")