OGC_Energy

# VDR - Organized, Grouped, Cleaned
# Energy Vision DSE

> **Intended for image/text to vector (DSE)**

## Dataset Composition

Made with https://github.com/RacineAIOS/VDR_pdf-to-parquet

This dataset was created by scraping PDF documents from online sources and generating relevant synthetic queries.
We used Google's Gemini 2.0 Flash Lite model in our custom pipeline to produce the queries, allowing us to create a diverse set of questions based on the document content.

## Dataset Statistics

| Metric | Value |
|--------|-------|
| Train rows | 143k |
| Test rows | 16.4k |

## Language Distribution

| Language | Ratio (%) |
|--------|-------|
| English (en) | 73.3 |
| French (fr) | 26.4 |
| Spanish (es) | 0.3 |

## Creators

Dataset curated by:
- **Paul Lemaistre**
- **Léo Appourchaux**

# VDR —— 结构化、分组、清洗完成
# 能源视觉DSE

> **面向图像/文本向量化任务（DSE）**

## 数据集构成
本数据集基于https://github.com/RacineAIOS/VDR_pdf-to-parquet 工具生成。
本数据集通过抓取在线来源的PDF文档，并生成对应的合成查询语句构建而成。我们在自定义流水线中使用谷歌（Google）Gemini 2.0 Flash Lite模型生成查询语句，从而能够基于文档内容生成多样化的问题集合。

## 数据集统计指标
| 指标 | 数值 |
|--------|-------|
| 训练集行数 | 143k |
| 测试集行数 | 16.4k |

## 语言分布
| 语言 | 占比（%） |
|--------|-------|
| 英语（en） | 73.3 |
| 法语（fr） | 26.4 |
| 西班牙语（es） | 0.3 |

## 制作团队
本数据集由以下人员整理制作：
- **保罗·勒梅斯特（Paul Lemaistre）**
- **莱奥·阿普尔沙（Léo Appourchaux）**