---
language:
- zh
license: other
pretty_name: FinePDFs OCR Training V1 Sample
size_categories:
- n<1K
task_categories:
- image-to-text
task_ids:
- document-question-answering
tags:
- ocr
- document-understanding
- chinese
- pdf
- parquet
- sample
configs:
- config_name: all
  data_files:
  - split: train
    path: data/train/**/*.parquet
- config_name: text_no_table
  data_files:
  - split: train
    path: data/train/text_no_table/*.parquet
- config_name: text_table_region
  data_files:
  - split: train
    path:
    - data/train/text_table_region_only/*.parquet
    - data/train/text_table_region_and_table_expert/*.parquet
- config_name: table_expert
  data_files:
  - split: train
    path:
    - data/train/table_expert_only/*.parquet
    - data/train/text_table_region_and_table_expert/*.parquet
---

# FinePDFs OCR Training V1 Sample

这是 FinePDFs 中文 PDF OCR 训练数据 HuggingFace 发布格式的小样例。每条样本对应一个 PDF 页面图像，包含原图、MinerU doctag 伪标签、GLM/Paddle doctag 参考结果、一致性评分指标和训练目标分类。

## 规模

| 分区 | 样本数 |
|---|---:|
| `text_no_table` | 8 |
| `text_table_region_only` | 8 |
| `table_expert_only` | 8 |
| `text_table_region_and_table_expert` | 8 |
| total unique rows | 32 |

总大小约 11.14 MiB。

## 构建流程

数据集按下面流程构建：

1. 从 FinePDFs 中文 PDF 数据中下载 PDF，并过滤非简体中文材料。
2. 将 PDF 拆分为单页图像，记录页面来源、尺寸、文件哈希等元信息。
3. 对页面图像进行去重、图片质量过滤和 embedding 检索过滤，保留适合 OCR 训练的数据。
4. 分别调用 MinerU、GLM OCR 和 PaddleOCR-VL 获取页面识别结果。
5. 将 OCR 结果转换为统一的 doctag 表示，其中 `mineru_doctags` 作为主要训练伪标签。
6. 使用 MinerU 与 GLM 的结果计算一致性指标，包括文本编辑距离、表格 TEDS、表格 cell 文本编辑距离和 cell 字符准确率。
7. 根据一致性指标筛选训练样本，并按训练用途划分为文本专家-无表格、文本专家-含表格和表格专家三类。
8. 将通过筛选的样本写成 parquet，上传时只保留训练所需字段和可审计的评分字段。

`mineru_doctags` 是经过一致性筛选后的模型伪标签，不是人工逐字校对标注。

## 筛选口径

三类训练数据使用以下条件筛选：

- `text_no_table`（文本专家-无表格）：页面不含表格，且 MinerU/GLM 文本编辑距离 `mineru_glm_text_ed <= 0.30`。
- `text_table_region`（文本专家-含表格）：页面含表格，且表格外文本编辑距离 `mineru_glm_text_ed <= 0.30`。这类数据用于提升表格外文本识别能力，并要求模型能表示表格区域，但不要求表格内部结构和内容完全准确。
- `table_expert`（表格专家）：页面含表格，且 `mineru_glm_table_teds >= 0.70`、`mineru_glm_table_cell_text_ed <= 0.30`、`mineru_glm_table_cell_char_acc >= 0.70`。这类数据用于训练表格结构和表格内容识别能力。

## 数据组织

样本按物理分区去重存储：

- `text_no_table`: 文本专家-无表格。
- `text_table_region_only`: 只属于文本专家-含表格。
- `table_expert_only`: 只属于表格专家。
- `text_table_region_and_table_expert`: 同时属于文本专家-含表格和表格专家。

`text_table_region` 和 `table_expert` 两个逻辑 config 会共享重叠 combo 文件，但物理 parquet 只保存一份。

## 关键字段

- `image`: 原始页面图像，使用 HuggingFace `Image` feature，可在数据集页面直接预览。
- `mineru_doctags`: MinerU doctag 伪标签，训练主标签。
- `finepdfs_split`: 原始 FinePDFs split。
- `finepdfs_shard`: 原始 FinePDFs parquet shard，相对 FinePDFs `data/` 目录。
- `finepdfs_row_index`: 原始 FinePDFs parquet shard 内的 0-based 行号。
- `finepdfs_id`: 原始 FinePDFs 记录 id。
- `finepdfs_url`: 原始 PDF URL。
- `pdf_page_number`: PDF 页码，1-based。
- `glm_doctags`: GLM doctag。
- `paddle_doctags`: Paddle doctag，如存在。
- `is_text_no_table`: 是否属于文本专家-无表格训练任务。
- `is_text_table_region`: 是否属于文本专家-含表格训练任务。
- `is_table_expert`: 是否属于表格专家训练任务。
- `mineru_glm_text_ed`: MinerU/GLM 文本编辑距离。
- `mineru_glm_table_teds`: 表格 TEDS。
- `mineru_glm_table_cell_text_ed`: 表格 cell 文本编辑距离。
- `mineru_glm_table_cell_char_acc`: 表格 cell 字符准确率。