mananbruce/

finepdfs_ocr_training_v1_sample

这是 FinePDFs 中文 PDF OCR 训练数据 HuggingFace 发布格式的小样例。每条样本对应一个 PDF 页面图像，包含原图、MinerU doctag 伪标签、GLM/Paddle doctag 参考结果、一致性评分指标和训练目标分类。

	规模




	

分区 样本数

text_no_table 8

text_table_region_only 8

table_expert_only 8

text_table_region_and_table_expert 8

total unique rows 32

总大小约 11.14 MiB。

数据集按下面流程构建：

从 FinePDFs 中文 PDF 数据中下载 PDF，并过滤非简体中文材料。 将 PDF 拆分为单页图像，记录页面来源、尺寸、文件哈希等元信息。 对页面图像进行去重、图片质量过滤和 embedding… See the full description on the dataset page: https://huggingface.co/datasets/mananbruce/finepdfs_ocr_training_v1_sample.