Представлен PereStruct: открытый датасет и модульный парсер для распознавания исторических документов

Исследователи представили PereStruct — открытый датасет и модульный пайплайн для анализа сложных исторических документов, таких как старые газеты. В отличие от больших мультимодальных моделей, склонных «галлюцинировать» и смешивать колонки, новый инструмент использует узкоспециализированные компоненты для точного извлечения структурированного текста.

Тексты и озвучка в Пегрегаторе создаются автоматически: нейросеть кратко пересказывает публичные материалы Telegram-каналов. Это не оригинальные публикации и не работа редакции — смысл может быть упрощён, а детали потеряны. Перед принятием решений открывайте первоисточник: ссылки на каналы есть у каждого материала.