OGC_Hydrogen

# VDR - Organized, Grouped, Cleaned # Hydrogen 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 | |--------|-------| | Total rows | 38,748 | ## Language Distribution | Language | Ratio (%) | |--------|-------| | English (en) | ≈ 69 | | French (fr) | ≈ 31 | ## Creators Dataset curated by: - **Paul Lemaistre** - **Léo Appourchaux**# VDR——结构化、分组、已清洗数据集 # 氢视觉DSE（Hydrogen Vision DSE） > **适用于图像/文本转向量（DSE）任务** ## 数据集构成 本数据集通过 https://github.com/RacineAIOS/VDR_pdf-to-parquet 工具生成。 该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样本构建而成。我们在自研处理流程中调用了谷歌（Google）的Gemini 2.0 Flash Lite模型生成查询样本，从而能够基于文档内容生成多样化的问题集合。 ## 数据集统计量 | 统计指标 | 数值 | |--------|-------| | 总样本行数 | 38,748 | ## 语言分布 | 语言 | 占比（%） | |--------|-------| | 英语（en） | ≈69 | | 法语（fr） | ≈31 | ## 数据集制作团队 本数据集由以下人员整理： - **保罗·勒迈斯特（Paul Lemaistre）** - **莱奥·阿普尔沙（Léo Appourchaux）**

搜集汇总

背景与挑战

背景概述

OGC_Hydrogen是一个用于图像/文本到向量（DSE）任务的数据集，通过爬取在线PDF文档并使用Google Gemini 2.0 Flash Lite模型生成合成查询构建而成。该数据集包含约38,748行数据，语言分布以英语（69%）和法语（31%）为主。