necrasov-ilya/ru-invoice-extraction-benchmark

Набор для извлечения данных из русскоязычных счетов

50 синтетических русскоязычных счетов с эталонными ответами в JSON. Набор не привязан к определённой модели и предназначен для проверки систем извлечения структурированных данных из текста.

Разделы

Раздел test зафиксирован для версии 1. Его нельзя использовать для обучения и подбора шаблонов.

Поля

• —id — постоянный идентификатор документа
• —text — текст счёта
• —expected — эталонный объект по схеме invoice-v1
• —currency, vat_amount, item_count — признаки для раздельной оценки
• —template_family, vat_mode — вид документа и режим НДС

В development и validation находятся счета в рублях. В test находятся 5 счетов в рублях, 2 в долларах США, 2 в евро и 1 в юанях. Результаты следует публиковать для всего итогового раздела и отдельно для рублевых и нерублевых документов.

Синтетические ИНН имеют правильную длину, но контрольная цифра не гарантируется. Набор проверяет перенос значения из текста, а не его действительность.

Проверка качества

Все 50 эталонов проходят проверку по схеме JSON. Суммы позиций, подытоги, НДС и итоги согласованы. В выпуске нет точных и нормализованных дубликатов документов, повторяющихся ИНН и конфликтов между названиями организаций и реквизитами.

Лицензия и ограничения

Набор распространяется по Apache License 2.0. Все данные сгенерированы. Любые совпадения с реальными людьми, организациями, адресами или реквизитами случайны.

Набор не проверяет распознавание изображений, сканы PDF, рукописный текст, юридическую и бухгалтерскую корректность документов.