mPLUG/DocGenome12K

--- license: apache-2.0 ------ 许可证：Apache 2.0 ---

搜集汇总

背景与挑战

背景概述

DocGenome12K是一个包含约12,000篇科学论文页面图像及其JSON结构解析标注的图文数据集，用于训练模型自动提取论文的标题、摘要、章节等结构信息。该数据集采用SFT格式，用户指令要求解析论文结构，助手输出结构化的JSON，适用于文档理解与结构化信息抽取任务。