ReadingBank 是数据集领域的开源项目，由 doc-analysis 开发，2021 年首次发布。
它收录于数据集分类，该分类目前共有 282 个项目，GitHub 星标数为 119。
项目保持着较活跃的维护节奏，最近一次代码更新于 2026-09-28。学术数据集，免费开放。
它主要面向的使用场景是：训练OCR后处理模型，自动还原多栏文档的阅读顺序。同类可对比的替代方案包括 PubLayNet、DocBank。
ReadingBank
给 OCR 文字排个正确阅读顺序，训练文档理解模型
ReadingBank 是一个面向阅读顺序检测任务的基准数据集，由文档 AI 研究者构建。它要解决的问题是：在 OCR 识别出页面文字后，机器往往不知道人类应该按什么顺序阅读这些文本块，尤其是多栏排版、图文混排、表格与页眉页脚交错的复杂文档。ReadingBank 提供了带有人工标注阅读顺序的文档样本，覆盖论文、报告、杂志等真实版式，让模型可以学习从二维版面还原出一维阅读序列。核心能力包括：作为训练与评测的统一数据源，支持阅读顺序检测模型的监督学习；提供标准化的评估基准，方便不同方法横向对比；覆盖多种文档类型和版式复杂度，有助于检验模型的泛化能力。对于从事文档理解、版面分析、OCR 后处理的研究者和工程师来说，它填补了阅读顺序这一细分任务缺少公开标注数据的空白，让相关模型训练和评测有据可依。
开源
free
数据集
GitHub 星标
★ 119
维护状态
较活跃
是否开源
是
定价模式
free
项目数据
分类数据集
开发团队doc-analysis
所属国家
定价模式free
价格说明学术数据集，免费开放
访问状态
是否开源是
开源协议
主要语言
技术栈/模型document-ai,document-intelligence,document-understanding,natural-language-processing,nlp,ocr
GitHub 星标★ 119
30天Star增速
HF 下载量
上线时间2021-07-10 00:00:00
最近更新2026-09-28 00:00:00
维护状态较活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-09-30
浏览次数0
使用教程
核心亮点
- 提供人工标注的阅读顺序真值，可直接用于监督训练
- 覆盖多栏、图文混排等复杂真实版式，检验模型泛化
- 作为公开基准，便于不同阅读顺序检测方法公平对比
不足之处
- 项目早期星标较少，社区生态和工具链尚不成熟
- 数据规模与版式覆盖范围可能有限，需关注后续更新
适用场景
- 训练 OCR 后处理模型，自动还原多栏文档的阅读顺序
- 评测版面分析算法在复杂版式下的阅读顺序准确率
- 为文档问答、信息抽取系统提供正确的文本序列输入
替代项目
PubLayNet、DocBank
项目介绍
上一篇：chess-openings
下一篇：没有了！
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···