davanstrien/falcon-ocr-test-20

---
tags:
- ocr
- document-processing
- falcon-ocr
- plain
- uv-script
- generated
---

# Document Processing using Falcon OCR (plain mode)

This dataset contains OCR results from images in [davanstrien/ufo-ColPali](https://huggingface.co/datasets/davanstrien/ufo-ColPali) using [Falcon OCR](https://huggingface.co/tiiuae/Falcon-OCR), a 0.3B early-fusion vision-language model.

## Processing Details

- **Source Dataset**: [davanstrien/ufo-ColPali](https://huggingface.co/datasets/davanstrien/ufo-ColPali)
- **Model**: [tiiuae/Falcon-OCR](https://huggingface.co/tiiuae/Falcon-OCR)
- **Task Mode**: `plain` - Full-page text extraction
- **Number of Samples**: 20
- **Processing Time**: 10.8 min
- **Processing Date**: 2026-04-07 20:17 UTC

### Configuration

- **Image Column**: `image`
- **Dataset Split**: `train`
- **Max Output Tokens**: 2,048
- **Backend**: Transformers

## Model Information

Falcon OCR is a compact early-fusion model that processes image patches and text tokens
in a shared Transformer. Key results:
- 80.3% on olmOCR benchmark
- 88.64% on OmniDocBench
- 87.1% on multi-column documents (best in class)
- 90.3% on tables (best in class)

## Reproduction

```bash
uv run https://huggingface.co/datasets/uv-scripts/ocr/raw/main/falcon-ocr.py \
davanstrien/ufo-ColPali \
<output-dataset> \
--task-mode plain \
--image-column image
```

Generated with [UV Scripts](https://huggingface.co/uv-scripts)

---
标签：
- 光学字符识别（OCR）
- 文档处理
- Falcon OCR
- 纯模式
- UV 脚本
- 生成式
---

# 使用Falcon OCR（纯模式）的文档处理数据集

本数据集包含来自[davanstrien/ufo-ColPali](https://huggingface.co/datasets/davanstrien/ufo-ColPali)数据集的图像经[Falcon OCR](https://huggingface.co/tiiuae/Falcon-OCR)处理得到的光学字符识别（OCR）结果，Falcon OCR是一款参数量为0.3B的早期融合型视觉语言模型。

## 处理详情

- **源数据集**：[davanstrien/ufo-ColPali](https://huggingface.co/datasets/davanstrien/ufo-ColPali)
- **所用模型**：[tiiuae/Falcon-OCR](https://huggingface.co/tiiuae/Falcon-OCR)
- **任务模式**：`plain` —— 整页文本提取
- **样本数量**：20
- **处理耗时**：10.8 分钟
- **处理日期**：2026-04-07 20:17 UTC

### 配置参数

- **图像列名**：`image`
- **数据集划分**：`train`（训练集）
- **最大输出Token数**：2048
- **后端框架**：Transformers

## 模型信息

Falcon OCR是一款轻量化的早期融合模型，可在共享Transformer架构中同时处理图像块与文本Token。其核心性能指标如下：
- 在olmOCR基准测试中准确率达80.3%
- 在OmniDocBench基准测试中准确率达88.64%
- 在多栏文档场景中准确率达87.1%（同类最优）
- 在表格场景中准确率达90.3%（同类最优）

## 复现方法

bash
uv run https://huggingface.co/datasets/uv-scripts/ocr/raw/main/falcon-ocr.py \
davanstrien/ufo-ColPali \
<output-dataset> \
--task-mode plain \
--image-column image

本数据集由[UV Scripts](https://huggingface.co/uv-scripts)生成。