BriefGPT - AI 论文速递 ·

DocGenome：用于训练和测试多模态大型语言模型的开放式大规模科学文档基准

💡 原文中文，约1500字，阅读约需4分钟。

📝

内容提要

本文介绍了多个大型数据集和模型在科学文本生成和文档布局分析中的应用，包括 Multi-XScience、DocBank 和 SciXGen。研究表明，基于 Transformer 的模型在文献综述生成和文档理解方面表现优异，但仍面临信息缺失和推理能力不足的挑战。

🎯

Multi-XScience 数据集是一个大规模多文档摘要数据集，适用于抽象模型，证明了其技术适用性。
M^{6} Doc 数据集和基于 transformer 的文档布局分析方法 TransDLANet 提高了文档图像实例分割的精确度。
DocBank 是一个包含 500K 文档页面的基准数据集，能够准确识别文档布局信息。
SciReviewGen 数据集评估了基于 Transformer 的文献综述生成模型，发现自动生成的摘要与人工撰写的综述相媲美，但存在幻觉和缺乏详细信息的问题。
SciXGen 数据集包含 205,304 篇完全注释的论文，促进科学文本生成研究。
DocPedia 是一种新型多模态模型，能够处理高分辨率图像，增强了文档理解能力。
SciGen 数据集评估生成模型在复杂输入结构下的推理能力，表明当前模型的推理能力受限。
提出了一种利用大型语言模型和提示策略自动提取文档关键维度的方法，改善数据集的可发现性和质量。

❓

Multi-XScience 数据集主要用于创建大规模多文档摘要，适用于抽象模型的训练和测试。

DocBank 数据集包含 500K 篇文档页面，具有细粒度的令牌级别注释，能够准确识别文档布局信息。

SciReviewGen 数据集揭示了文献综述自动生成中的挑战，如幻觉和缺乏详细信息。

DocPedia 模型通过在频域处理高分辨率图像，增强了文档理解能力，并采用双阶段训练策略。

SciXGen 数据集包含 205,304 篇完全注释的论文，促进科学文本生成研究。

当前生成模型在复杂输入结构下的推理能力受限，缺乏适当的自动评估度量。

🏷️