candido-ai/enem-ocr

ENEM-OCR 3.506 questões do ENEM (1998–2024, 27 edições) com gabarito e figuras, extraídas dos PDFs públicos do INEP por um pipeline OCR de 4 estágios (OCR + detecção de layout -> estruturação por LLM em lote -> mesclagem + descrições visuais de figuras (VLM) + CoTs -> auditoria). Construído para a dissertação de mestrado sobre Continued Pre-Training em pequena escala para o ENEM em PT-BR. Colunas id, year, exam, question_number, area (CH/CN/LC/MT), subject_hint… See the full description on the dataset page: https://huggingface.co/datasets/candido-ai/enem-ocr.