文档理解

olmOCR-mix-0225 是一个专为 OCR（光學字符識別）和文檔理解模型訓練設計的數據集，包含約 250,000 頁 PDF 文件，這些文件通過 gpt-4o-2024-08-06 轉換為純文本，保留了原始數字內容。數據集來源包括網絡爬取的 PDF 和互聯網檔案館的書籍，涵蓋多種類型文檔，如學術論文、宣傳冊和法律文件等，適用於訓練、微調或評估 OCR 文檔處理系統。數據集由 105,504 個唯一文檔和 266,135 頁組成，並提供了詳細的元數據和提取內容，支持多種 OCR 和文檔理解任務。

AI文档理解相关文献资源列表，专注于文档人工智能（Document Artificial Intelligence）领域。该项目收集了大量关于文档理解的研究文献和资源，涵盖了文档人工智能的多个子领域，如OCR、文本分析、图像处理等。持续更新，保持与最新研究进展同步，提供了丰富的参考资料和工具链接，适合研究人员、开发者和学生使用。

DeepSeek-VL2是一个基于MoE架构和动态切图技术的先进视觉语言模型，旨在提升视觉能力并支持多种视觉任务。该模型在多模态理解方面取得了显著进展，特别是在视觉问题回答、光学字符识别、文档/表格/图表理解和视觉定位等任务上表现出色。

TokenOCR是一款面向文档理解的文本图像基础模型，旨在让机器更好地‘读懂’图文内容。它通过首个token级别的图像文本数据集TokenIT，包含2000万图像和18亿token-mask对，提出首个token级别的文本图像基础模型，支持多种下游任务。基于TokenOCR构建的TokenVL模型，在文档视觉问答任务中表现卓越。

Honeybear.ai是一款专为处理复杂PDF文件而设计的超级人工智能助手。用户可以与任何PDF进行对话，获得高质量的响应。与其他“聊天PDF”网站相比，Honeybear.ai提供无与伦比的体验和准确性。

Qwen2-VL是由Qwen团队和阿里云开发的多模态大语言模型系列，能够处理时长超过20分钟的视频，同时在文档理解方面表现出显著优势。该模型支持多模态输入，能够处理视频和文本数据，适用于多种应用场景。

Sensible Instruct是一个由GPT-4驱动的文档理解工具，旨在简化将非结构化文档转化为结构化数据的过程，适合开发者、数据科学家和业务运营经理等多种用户。

Parsio是一个强大的人工智能驱动的文档解析工具，旨在自动化从各种文档格式（包括PDF、电子邮件等）中提取数据。

Extracta.ai 是一款便捷的数据提取工具，能够从无结构文档中自动提取数据，支持自定义模板，简单易用，无需复杂培训。

AlgoDocs是一个基于AI的在线平台，提供快速、安全、准确的PDF文档和扫描图像数据提取，自动化文档处理流程，消除手动数据输入的需求。

Sensible.so通过先进的数据提取能力，简化了将文档中的非结构化数据转化为可操作的结构化数据的任务，帮助开发者和产品团队高效处理文档。

Indico Data是一种智能化的文档处理解决方案，旨在优化文档的接收流程，帮助用户做出更好的数据驱动决策。该平台通过自动化处理文档，提升工作效率，确保更优的结果。

Gilio API 是一个强大的工具，使企业能够通过准确提取重要文档中的数据来自动化文档处理。它可以实时摄取、提取和转换信息，优化成本和集成工作，帮助企业在几分钟内完成处理。

Alphamoon是一个智能文档处理平台，简化文档处理，解放团队免于繁琐工作。通过AI OCR提取和分类来优化业务流程，并将文档安全存储在云端。

完全开源的、基于LlamaIndex、Pgvector、React和Django的海量文档分析平台，能够有效处理和分析大量文档，提供高效的查询和数据提取功能。

ChatPDF是一个基于AI的聊天机器人，允许用户轻松提问、总结和提取PDF文件中的有价值信息，从而提升工作效率和理解能力。

Airparser 是一款基于 GPT-4 技术的数据提取工具，能够从 PDF、电子邮件和文档中提取结构化数据。用户可以实时将解析的数据导出到 Google Sheets、CRM 和其他 5000 多个应用程序，或创建自定义自动化流程。通过简单的三步操作，用户只需导入电子邮件和附件、手动上传文件或通过 API 导入文档，描述要提取的数据结构，Airparser 将自动完成其余工作。

Humy.ai是一个无需编写代码即可创建和部署训练有素的AI助手的产品。用户只需定义助手的行为，上传数据（如网页、常见问题、文档、文章），即可嵌入为聊天气泡或与通信渠道同步，从而获得洞察并优化性能。