lianghsun/finepdfs-zhtw

Dataset Card for finepdfs-zhtw finepdfs-zhtw 是一個由社群協作匯集之台灣繁體中文 PDF 文件集，目前收錄 23 份原始 PDF 檔（~1.1 GB），由 twinkle-ai/fine-pdf-archive 上傳介面收集（此即為本資料集之原始來源 Space）。每筆資料包含 PDF 原始 bytes、貢獻者、PDF 自身之授權、上傳時間戳與雜湊值，作為後續 PDF-to-text pipeline（如 FinePDFs 風格之 OCR / layout parsing）之原始語料源。 Dataset Details Dataset Description 繁體中文之高品質 PDF 文件（政府公報、教學講義、研究報告、技術手冊等）長期缺乏系統化收集，現有繁中預訓練語料多以 HTML / 純文字為主，對 PDF 內之表格、圖說、版面資訊幾乎無法涵蓋。本資料集受 HuggingFace FinePDFs 之啟發，專注於台灣來源之繁中 PDF，由… See the full description on the dataset page: https://huggingface.co/datasets/lianghsun/finepdfs-zhtw.