文档分析数据集|机器学习数据集

DocBank是一个大规模文档理解数据集，包含50万页文档，分为40万训练、5万验证和5万测试样本。该数据集通过弱监督方法构建，融合文本与布局信息，支持文档结构识别、信息抽取等任务。其规模大、标注成本低，适用于训练需要理解版面与语义的多模态模型，广泛应用于智能文档处理、OCR后处理及学术研究场景。