OmniDocBench
OmniDocBench 是文档解析基准:它给模型把各种类型的 PDF 页面转成文本、表格和公式的能力打分。
OmniDocBench 于 2024 年 12 月的一篇论文中提出,代码和数据在 GitHub 的 opendatalab 名下。它的页面来自九类文档来源,包括学术论文、教科书、手写笔记和排版密集的报纸,并标注了 19 种版面类别和 15 种属性标签。本站大多数 OCR 模型卡都引用了它的分数。
这个基准有过修订,版本包括 v1.5 和 v1.6,还有衍生的数据集,例如 Real5-OmniDocBench,由飞桨团队基于 v1.5 数据制作,包含扫描、扭曲和拍照的页面。不同版本的分数不可比较,本站的数字都是开发者自己公布的。请在你自己的文档上运行模型,看看它的表现如何。
相关术语
- OCR 与文档解析 OCR 把图片中的文字转成文本;文档解析则更进一步,重建表格、公式、图表和阅读顺序,通常输出 Markdown。
- 基准测试(Benchmark) 基准测试是用来比较模型的标准化测试,例如一组数学、编程或知识问题;分数有参考价值,但很容易被过度解读。