什么是 DocParsingBench
DocParsingBench 是 SoMark 发布的开源文档解析评测工具,包含公开数据集、评分 CLI 和可视化分析工具。它将解析模型输出的 Markdown 与同一页面的人工标注对照,计算文字、公式、表格分数和 DPB 总分。只要模型能输出 Markdown,就可以用同一套数据和指标比较不同模型或版本。GitHub 仓库
查看源码、评分方法和公开榜单。
Hugging Face 数据集
下载原始页面图片和参考 Markdown。
ModelScope 数据集
从魔搭社区访问数据集。
数据集覆盖范围
数据集包含 1,400 页人工标注的真实业务文档,覆盖中文、英文和中英混排,以及单栏、双栏、三栏和混合版式。页面保留了扫描噪声、印章遮挡和字符模糊等实际情况。数据集说明评分指标
工具先提取文字、独立公式和表格片段,再在每个类别内进行一对一匹配。这样,即使模型输出的片段顺序不同,对应内容仍有机会匹配。未匹配的片段按零相似度计分。
通用配置的默认权重为文字 50%、独立公式 30%、表格 20%。某一类在标注和预测中都不存在时,工具按实际出现的类别重新分配权重。默认评分会过滤图片,并跳过参考 Markdown 中含
\smiles{...} 的页面,因此数据集总页数与实际计分页数可能不同。配置示例

