Social Sciences DataLab
PulseAugur coverage of Social Sciences DataLab — every cluster mentioning Social Sciences DataLab across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Datalab 推出 OmniParseBench OCR 评估工具
Datalab 推出了 OmniParseBench，这是一个新推出的开源基准，旨在评估 OCR 解析器。该基准包含来自 92 种语言的 2,343 份文档的 2,937 页上的 16,288 个通过/失败测试，旨在提供比传统排行榜更细粒度的评估。初始排行榜上表现最佳的模型是 Gemini 3.8 Flash 和 Datalab 自有的 'Datalab accurate' 解析器，而 Claude Sonnet 5.5 在文本和表格…
-
Social Sciences DataLab 发布快速 Indra OCR 模型
Social Sciences DataLab 发布了 Indra OCR，这是一款新推出的拥有 100 万参数的 OCR 模型，专为 CPU 上的高吞吐量和速度而设计。它每秒可处理多达 49 页，在速度上显著优于 Tesseract 和 PaddleOCR，同时在 OmniParseBench 等基准测试中也达到了具有竞争力的准确度。Indra OCR 输出结构化数据，包括带有标签的行和块边界框，并且可以通过提取现有文本层并仅对缺失…
-
Datalab推出OmniExtractBench以标准化AI文档提取评估
Datalab推出了OmniExtractBench，这是一个旨在解决结构化文档提取任务中偏差和不透明性问题的开放基准。该新基准评估AI系统从PDF文档填充JSON模式的准确性，并使用提供决策解释的确定性评分器。OmniExtractBench旨在提供一种标准化和可审计的评估方法，这与Datalab认为难以比较或验证的供应商创建的排行榜形成对比。该基准包含来自各种来源的620份文档，并采用基于内容的配对方法和匈牙利算法进行准确的表格对齐。
-
Chandra OCR模型在PDF解析基准测试中占据主导地位
最近对PDF解析能力的比较显示，Datalab的OCR模型Chandra的表现优于所有其他测试过的解析器，成功处理了合并单元格的HTML表格、LaTeX，甚至难以辨认的手写体文本。LightOnOCR-1B虽然在其规模下表现出惊人的速度和准确性，但在处理手写体和内容幻觉方面遇到了困难。比较中还包括了MinerU、Granite-Docling和PaddleOCR-VL等其他几个解析器，它们在不同文档类型和挑战中的表现各不相同。
-
用于 RAG 的科学论文解析在表格和方程方面遇到困难
用于检索增强生成（RAG）系统的科学论文解析仍然充满挑战，因为复杂的布局、方程和表格经常导致提取错误。这些错误，例如表格中的数字不正确或方程格式错误，可能很微妙且不易察觉，从而可能导致 RAG 管道中的幻觉。作者提出了一种验证过程，用于将提取的内容与源进行交叉检查，并在置信度阈值以下标记不匹配项，该方法在对 500 篇论文的测试中成功识别了许多不匹配项。
-
Marker 2 文档转换器吞吐量达 5 倍，在基准测试中击败竞争对手
Datalab 发布了 Marker 2，这是一个经过重写的大幅改进的开源文档转换管道。新版本与 MinerU 相比，吞吐量提高了 5 倍，在单个 Nvidia B200 GPU 上达到每秒 2.9 页，并在 olmOCR-bench 上获得 76.0% 的分数。Marker 2 使用 Surya OCR 2 和更快的 pdftext 模块这三个核心组件重建，并提供针对质量、速度或纯 CPU 操作进行了优化的多种转换路径。
-
Datalab 的 Lift 9B 模型在 Schema-First PDF 提取方面处于领先地位
Datalab 的 Lift 是一款新推出的拥有 90 亿参数的视觉语言模型，专为 Schema-First 文档提取而设计。与首先将文档解析为中间格式再提取字段的传统方法不同，Lift 旨在一次性直接从 PDF 和图像输出 Schema 形状的 JSON。在 Datalab 自行进行的基准测试中，Lift 的字段准确率达到了 90.2%，高于其最接近的开源竞争对手 NuExtract3 的 81.5%。Lift 被定位为一种专门的工…
-
开源模型助力企业AI实现PDF到JSON的转换
新的开源模型正在涌现，用于将PDF中的非结构化数据转换为可用的JSON格式，满足企业AI应用的关键需求。这些模型主要分为两类：针对发票和表单等已知字段的模式驱动提取，以及能够将整个页面（包括布局和表格）重构为结构化JSON或Markdown的文档解析。Datalab的lift和NuMind的NuExtract 3等模型提供了本地、经济高效的模式驱动提取解决方案，而IBM的Docling则为各种文件类型提供了全面的文档解析功能。
-
Papers with Code 整合开源 OCR 模型和基准测试
创建了一个新资源来跟踪开源光学字符识别 (OCR) 模型，整合了关于顶级模型、基准测试以及其论文和代码链接的信息。该计划重点介绍了百度最近发布的具有参考滑动窗口注意力机制的 3B 参数 Unlimited OCR 模型，以及可通过 API 获得的 Mistral 的 OCR 4。该平台旨在简化各种应用（如代理 RAG 和 AI 代理的数据摄取）的 OCR 模型选择。
-
Datalab 发布 lift，一个用于结构化 PDF 提取的 9B 参数开放权重视觉模型
Datalab 推出了 lift，一个 9B 参数的开放权重视觉模型，专为从 PDF 和图像中提取结构化数据而设计。该模型以 JSON 模式作为输入，并生成符合该模式的 JSON 对象，在基准数据集上实现了 90.2% 的字段准确率。lift 可一次性处理整个多页文档，并提供模式约束解码，以确保输出的结构有效性。