datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
chinese_insurance_doc_parsing本数据集清洗自天池实验室公共数据集
结合原数据集的标注和pdf文档解析工具，构造了alpaca格式的数据：
Instuction:
下列是直接从pdf原文件中提取出的某保险条款原文，pdf文件的字体排版存在一些空间结构，直接转换成字符串后会导致条款原文非常难以阅读。请把内容重新组织成清晰可读的格式。要求如下：
第一行是保险公司的全称
第二行是保险产品名
章节和子章节的序号统一用数字1-9表示
章节序号和章节名写在同一行，用空格进行间隔；章节具体内容放在下一行
章节和章节之间空一行
input:
使用pdfminer直接提取的字符串
中国太平洋人寿保险股份有限公司
个人税收递延型养老年金保险（2018 版）
产品基本条款
第一条 合同构成
个人税收递延型养老年金保险（2018 版）产品合同（以下简称“本合同”）由保险单及
所附个人税收递延型养老年金保险（2018 版）产品基本条款（以下简称“本合同基本条款
（2018 版）”）、个人税收递延型养老年金保险（2018 版）产品账户利益条款（以下简称“本
合同账户利益条款（2018… See the full description on the dataset page: https://huggingface.co/datasets/kaihe/chinese_insurance_doc_parsing.OCRBenchV2-DocParsing-UpdatedGTOCRBenchV2-DocParsing-UpdatedGT is an improved ground truth for the document parsing subset of OCRBench V2, created and verified by Tensorlake.
This version is used in Tensorlake’s OCR and document understanding benchmark comparisons.
The dataset is intended for evaluation and research purposes only.For the original benchmark and other subsets, please refer to OCRBench V2
.