olmOCR-mix-1025 文档识别数据集

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

olmOCR-mix-1025 是由 Allen Institute for AI 于 2025 年发布的一个大规模、高质量 PDF 文档 OCR 数据集，相关论文成果为「olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models」，旨在支持光学字符识别（OCR）模型、文档理解模型以及多模态大模型的训练、微调与评估。

该数据集共包含约 270,250 页 PDF 文档内容，其中训练集 267,962 页、评估集 2,288 页，覆盖学术论文、档案文献、书籍扫描文本及历史手稿等多样文档类型。各子集均以英语为主，比例整体在 91%–99% 之间，并包含少量西班牙语、法语、德语、意大利语、拉丁语、印尼语等文献。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：mix OCR MOC 数据集 Unlocking