К содержимому

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")