ScienceMetaBench开源：评测元数据提取的科学文献基准
由上海人工智能实验室 OpenDataLab 团队正式推出的 ScienceMetaBench 科学文献元数据提取评测基准，致力于构建一个公平且统一的评估体系。该基准旨在为学术界与工业界提供可复现、可对比的衡量标准，从而推动元数据提取技术的持续进步。
数据集地址：https://www.php.cn/link/918d2d39616621eedbe76248d1e3abcb
测评工具代码：https://www.php.cn/link/2ab507032a57dc82c268ea84eeecab35
据了解，ScienceMetaBench 专注于评估从科学文献 PDF 中精准识别并抽取结构化元信息的能力，其覆盖了学术论文、教科书及电子书三大主流文档类型。在构建过程中，团队特别强化了对中英双语场景的支持，从文本识别、字段解析到语义对齐均实现了语种自适应，确保提取出的元数据结果与原文语言高度契合。
下图展示了从学术论文 PDF 首页中成功抽取出的元数据字段实例：
需要从论文首页准确提取以下核心字段：{
"sha256": "8d3e...f3a", // 文件级唯一哈希值，支撑数据溯源与版本管理
"doi": "10.1186/s41038-017-0090-z", // 国际数字对象标识符
"title": "Children are not little adults...", // 文献标题（保留原始大小写与标点）
"author": "Tina L. Palmieri, ...", // 作者列表，统一采用英文逗号分隔格式
"keyword": "Blood transfusion, Pediatric", // 关键词集合，同样以英文逗号分隔
"abstract": "Blood transfusion in burns larger than...", // 完整摘要文本（不含冗余符号或页眉页脚）
"pub_time": "2017" // 标准化出版年份（仅保留四位数字）
}
为了增强样本的多样性与现实挑战性，研究团队融合了多源异构PDF数据采集策略，并引入 K-Means 图像聚类方法对页面布局进行无监督分组，从而有效涵盖了从紧凑单栏到复杂多栏、包含图表/公式/多语言混排等典型困难案例。标注流程采用“大模型预标注 + 领域专家人工校验”的协同范式，并严格对标 OmniDocBench（MinerU 测评所采用的权威基准），确保标注的规范性、字段完整性与测评维度的前沿性。
源码地址：点击下载
热门专题
热门推荐
在追求极致效率的现代软件开发中，一款名为Cursor的AI代码编辑器正引领着开发范式的变革。它被定义为“面向未来的IDE”，其核心理念清晰而有力：将人工智能深度无缝地集成到编码工作流的每一个步骤，为开发者创造一种前所未有的“AI结对编程”体验。 Cursor sh应用场景 那么，这款AI驱动的编辑器
在众多AI图像生成工具中，WHEE凭借其精准的产品定位与持续的功能迭代，正成为越来越多设计师和内容创作者的首选工具。它专注于打造高品质的AI视觉素材生成器，核心使命就是帮助用户快速、高效地获得可直接使用的优质图片素材。 那么，这款AI绘图工具究竟有哪些核心优势？下面我们从其关键特性与功能设计进行深入
在AI绘画工具不断涌现的当下，一款名为NightCafe Creator的应用以其全面的AI艺术生成能力脱颖而出。它不仅是一个简单的图片处理工具，更是一个融合了多种前沿人工智能技术的创意平台，帮助用户轻松实现从构思到成品的艺术创作。 NightCafe Creator是什么？ NightCafe C
近期加密货币市场受到宏观经济不确定性及流动性紧缩影响，比特币(BTC)、以太坊(ETH)以及多种山寨币出现明显下行走势，市场情绪趋于谨慎。 比特币近期走势分析 比特币的价格近期表现如何？简单来说，它跌破了几个市场公认的关键支撑位，而且伴随交易量的放大。这种放量下跌的信号，往往意味着多空分歧加剧。无论
蔡司宣布将于6月2日发布一款新镜头，并称其为镜头技术的重大突破，标志着全新纪元的开启。官方仅公布了产品剪影，但措辞暗示其可能带来根本性的技术升级，例如全新光学结构、先进镀膜或对焦系统改进。具体细节需待发布日揭晓。