PIN-14M

PIN-14M是一个多模态文档数据集，包含1400万个样本，格式为PIN。它由8个子集构成，包括PIN-PMC、DocLayNet、Linux-CN、chinese-markdown、OBELICS、MMC4、LeetCode和PG19。数据集中的每个样本都包含唯一的ID、元数据（如语言、来源数据集等）、质量信号、内容图片列表、Markdown内容以及整体图像路径。数据集遵循Apache 2.0许可证，对于来自第三方的数据，则需遵守其各自的许可证。