LightOnOCR-mix-0126は、LightOnが2026年にリリースした大規模OCRテキスト転写データセットです。関連する研究論文には以下が含まれます。LightOnOCR: 最先端のOCRのための1Bエンドツーエンド多言語視覚言語モデルエンドツーエンドの OCR およびドキュメント理解モデルの監視を提供し、自然な順序で全ページの転記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。