CUHK MMLab 发布 DocMark-Pile and DocMark-Instruct 数据集, 应用在 文档处理、自然语言处理 领域

CUHK MMLab 本次发布的数据集 DocMark-Pile and DocMark-Instruct, DocMark-Pile是一个包含大约380万个文档解析预训练数据对的数据集，旨在将文档转换为相应的标记语言，包括纯文本、Markdown、LaTeX、HTML、JSON和TiKZ。DocMark-Instruct是一个包含62.4万个细粒度结构化数据集，用于在上下文中进行指令跟随。这些数据集涵盖了自然场景图像、密集文档、收据、LaTeX公式、网页、表格、图表和数学图表等多种类型的视觉文档，旨在帮助模型更好地理解和处理复杂文档格式。

查看DocMark-Pile and DocMark-Instruct

README 内容： 

关于 CUHK MMLab , 香港中文大学（CUHK）的媒体、美术与设计学院下属的机器学习与人工智能实验室（MMLab），专注于计算机视觉、图像处理和机器学习等研究领域。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。