LightOnOCR-mix-0126は、LightOnが2026年にリリースした大規模なOCRテキスト転写データセットです。関連論文のタイトルは「LightOnOCR: 最先端のOCRのための1Bエンドツーエンド多言語ビジョン言語モデル」で、エンドツーエンドのOCRおよび文書理解モデルの監督を提供し、自然な順序で書かれた全ページの転写テキストを出力することを目的としています。

このデータセットは、トレーニングセットと検証セットの2つの部分で構成されています。各サンプルは、文書ページのテキスト転写結果に対応しています。コンテンツは、自然な読み順（出力形式にはMarkdown、LaTeXの数式、HTML表など）で構成されたページテキストと、それに対応する構造化マークアップで構成されており、段落、見出し、リスト、表など、さまざまな種類のページコンテンツを網羅しています。