multimodal_table_recognition

# multimodal_table_recognition — 复杂表格识别与内容理解(天池赛数据) 阿里云天池「知乎知学堂大模型挑战赛:大模型复杂表格识别与内容理解」(competition 532510)的题目数据副本,**私有留存用**,版权归主办方所有,仅供参赛与学习研究,请勿再分发。 原始页面:https://tianchi.aliyun.com/competition/entrance/532510/information ## 内容 ``` multimodal_table_recognition/ ├── files/ # 92 个业务文档:34 jpg + 31 png + 26 pdf + 1 webp │ # (财务报表/销售报表/对账单/质检报告等,含跨页/合并单元格/多级表头/弱边框等难点) ├── tests.xlsx # 题目清单:908 题,7 列(id, file_name, question_type, question, table_hint, answer_format, answer) └── submit-template.xlsx # 提交模板(id, answer 两列) ``` ## 统计 - **题型**:extract 652(72%)| thinking 216(24%)| structure 39(4%)| 脏行 1(见下) - **answer_format**:string 396 | number 365 | json_array 107 | json 40 - 90 个文件被引用,每文件 1~28 题(平均 10);table_hint 665 题非空 - PDF 以单页为主(18/25),多页 7 个,最大 8 页 ## 已知数据质量备注(2026-10 版数据) 1. **脏行 id=63**:`question_type` 列被问句占据(应为 extract,依据 answer_format=json_array 与问法) 2. **文件名笔误 3 处**:清单引用 `58.pdf`/`59.pdf`/`0060.pdf`,目录实际为 `058.pdf`/`059.pdf`/`060.pdf`(去前导零可唯一对上) 3. `answer` 列全空(纯测试集,无本地金标) 4. `003.pdf`≈`004.pdf`、`006.pdf`≈`007.pdf` 为等大小副本;`004.pdf`、`009.pdf`、`094.jpg` 未被任何题引用 ## 赛题答案格式速查 - structure:JSON(`row_count/col_count/cells`,每个真实单元格一次,合并只出左上角,行列从 0 编号;局部恢复仍填全表逻辑行列数) - extract/thinking:单值直接填;多值 JSON 数组;数字去千分位;空值填空字符串