К содержимому

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")