现有的表格识别数据集通常仅包含少量的表格数据，或缺少单元格逻辑位置标注。因此，为了构建一个大规模的基准数据集用于表格图重构任务，我们从TABLE2LATEX-450K数据集收集数据，并对其进行表格图标注，最终构成一个包含350K表格的新数据集，即TableGraph-350K。我们使用原数据集的划分方式将TableGraph-350K划分为训练集、验证集和测试集。他们分别包含了343,98

阿里云天池2026-07-12 更新870

DoclingMatix

文档智能

视觉语言模型

# DoclingMatix DoclingMatix is a large-scale, multimodal dataset designed for training vision-language models in the domain of document intelligence. It was created specifically for training the SmolD

魔搭社区2026-07-07 更新200

OCR-IDL

光学字符识别

文档智能

OCR-IDL数据集是由计算机视觉中心UAB创建，包含2600万页的工业文档，使用商业OCR引擎进行标注，具有超过20,000美元的估算价值。该数据集涵盖了化学、医学和药物行业的多种文档类型，如信件、报告、电子邮件等，时间跨度长达100年。创建过程中，通过Amazon Textract进行文档的预处理和标注，确保了高质量的文本和布局信息。OCR-IDL旨在推动文档智能领域的研究，特别是在自动文档结

arXiv2022-02-26 更新1550

汉王云-手写单字识别

手写识别

多语言支持

手写单字识别，支持中文简体、繁体和英文，即写即识。

华为云市场2026-01-05 更新280