---
dataset_info:
  features:
  - name: id
    dtype: string
  - name: image
    dtype: string
  - name: input
    dtype: string
  - name: system
    dtype: string
  - name: output
    dtype: string
  - name: boxes
    sequence:
      sequence: float16
  - name: box_texts
    sequence: string
  - name: detail
    struct:
    - name: arxiv_id
      dtype: string
    - name: language
      dtype: string
    - name: page_idx
      dtype: int64
  splits:
  - name: train
    num_bytes: 1123448292
    num_examples: 100069
  download_size: 667611548
  dataset_size: 1123448292
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
---


## ArXiv Paper Structure Dataset

数据集的图片内容来自arXiv的论文PDF，图片的结构标注来自SimpleTex的模型识别，识别结果已经经过一次简单的筛选，剔除部分错的太明显的样本，不过剩余样本中也有一些存在错位的样本。

英文的图片是原始的arXiv论文，中文的部分使用翻译模型进行自动翻译得到，可能存在不准确的内容。