LightOnOCR-mix-0126 هي مجموعة بيانات واسعة النطاق لنسخ النصوص بتقنية التعرف الضوئي على الحروف (OCR) تم إصدارها بواسطة LightOn في عام 2026. الورقة البحثية ذات الصلة بعنوان "LightOnOCR: نموذج رؤية-لغة متعدد اللغات من طرف إلى طرف بحجم مليار لتقنية التعرف الضوئي على الحروف (OCR) المتطورة"، والتي تهدف إلى توفير الإشراف لنماذج التعرف الضوئي على الحروف (OCR) وفهم المستندات من طرف إلى طرف، وإخراج نص منسوخ كامل الصفحة بترتيب طبيعي.

تتألف هذه المجموعة من البيانات من جزأين: مجموعة تدريب ومجموعة تحقق. كل عينة تمثل نتيجة نسخ نص صفحة من مستند. يشمل المحتوى نص الصفحة المنظم بترتيب القراءة الطبيعي (تتضمن صيغ الإخراج Markdown، وLaTeX، والصيغ الرياضية، وجداول HTML، وما إلى ذلك) والترميز الهيكلي المقابل، الذي يغطي أنواعًا مختلفة من محتوى الصفحة مثل الفقرات والعناوين والقوائم والجداول.