LightOnOCR-mix-0126 هي مجموعة بيانات واسعة النطاق لنسخ النصوص باستخدام تقنية التعرف الضوئي على الحروف (OCR)، وقد أصدرتها شركة LightOn في عام 2026. وتشمل الأبحاث ذات الصلة ما يلي:LightOnOCR: نموذج رؤية-لغة متعدد اللغات شامل بقيمة مليار دولار أمريكي لتقنية التعرف الضوئي على الأحرف المتطورةيهدف إلى توفير الإشراف على نماذج التعرف الضوئي على الأحرف وفهم المستندات من البداية إلى النهاية، 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.