发票字段抽取评测基准 v1:181 份合成票据与答案键
数据集简介
发票抽取基准(v1)
Invoice Extraction Benchmark v1 面向发票数据抽取任务:给定一份任意来源、任意质量的发票文档,工具需输出结构化字段,基准再按字段逐一比对答案键打分。其目标场景包括发票 OCR、智能文档处理(IDP)与应付账款录入,衡量的是字段级准确率而非整页文本相似度。
数据集由 InvoiceParser Pro(IPP)合成并维护,仓库托管于 GitHub 的 DrewKraken 账号下;同一套文档与答案键也发布在 Hugging Face(drew-ipp/invoice-extraction-benchmark),附带数据集查看器。需要说明的是,该基准并非独立第三方评测,类别体系由 IPP 自行选定。
内容构成
全部 181 份文档按载体分为三类:
| 格式 | 数量 | 说明 |
|---|---|---|
| 113 | 数字文档,含文本层 | |
| JPEG | 53 | 翻拍照片与手写件 |
| PNG | 15 | 扫描件 |
整套约 37 MB,合计 220 页,最长的一份文档为 8 页。难度标注为易 62 份、中 48 份、难 71 份;类别标注为 clean 31、currency 19、tax 14、credit 10、multipage 10、freight 16、scan 15、photo 45、handwritten 8、hard 13。
这些类别对应真实应付账款收件箱里常见的麻烦:三个损伤等级的翻拍照片、扫描与传真件、手写账本、五种不同写法的贷项通知、双币种金额、含税排版、多页发票、单个文件里放多张发票、供应商对账单,以及印刷数字本身故意加不上的发票。
目录与配套文件
仓库按用途组织:
corpus/v1/documents/:全部文档文件。corpus/v1/answers/:每份文档对应一个 JSON 答案键。corpus/v1/manifest.json:记录每份文档的 category、difficulty、damage、sha256 与答案键信息。corpus/v1/metadata.jsonl:一行一份文档,供数据集查看器读取。scorer/:打分脚本。generator/:生成代码,含names.py、corpus_v1.py、us_specs.py、layout.py,以 seed 42 可复现整套语料。examples/predictions.example.json:预测文件格式示例。examples/paired-checks-v1/:九条虚构配对上传及 CSV/XLSX 校验样例。examples/challenge-v1/:八张发票组成的挑战集。
合成方式与校验
文档由生成器合成而非采集自真实企业票据,因此不含真实供应商与个人敏感信息;生成过程固定随机种子,便于复现与对照。校验方面,每份文档都配有独立答案键,manifest 中记录 sha256 以便核对文件完整性;examples/paired-checks-v1/ 另提供九条虚构配对上传与 CSV/XLSX 校验样例,可用于检查工具在批量上传与表格导出环节的表现。
许可与获取
corpus/ 与 examples/ 中的文档和答案键采用 CC BY 4.0 许可(© 2026 InvoiceParser Pro),代码仓库另附 LICENSE 文件。数据集可从 GitHub 仓库公开获取,也可在 Hugging Face 上使用同一套文档与答案键及数据集查看器。发布日期为 2026-10-04。