Датасет · zhihengli-casia
Бенчмарк распознавания документов в трёх режимах
zhihengli-casia/puredocbench
От 1 до 10 тыс. страниц документов для сравнения моделей OCR и визуально-языковых моделей по трём трекам.
Что внутри
Датасет и лидерборд для оценки распознавания документов (image-to-text) и ответов на вопросы по ним (document-question-answering) размером от 1 000 до 10 000 записей. Оценка разделена на три трека по 1 475 страниц в каждом: чистые (Clean), цифровые (Digital) и реальные (Real) документы. В карточке приведены результаты 58 моделей, среди которых пайплайн-решения, специализированные end-to-end модели и общие VLM.
Что можно сделать
- Сравнение качества OCR-систем и VLM на чистых, цифровых и реальных документах
- Оценка моделей в задачах извлечения текста и ответов на вопросы по страницам
- Задачи
- Картинка → текст, document question answering
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 3,4 тыс.
- Лайков
- 6
Как загрузить
from datasets import load_dataset
ds = load_dataset("zhihengli-casia/puredocbench")