MNBVC-Wiki

本页面只读。您可以查看源文件，但不能更改它。如果您觉得这是系统错误，请联系管理员。
== 一、工作概述 ==

2025 年，多模态数据小组围绕多模态数据获取与处理能力建设，推进文档、图文与音视频数据的规模化解析与工程化交付，重点补齐 PDF、LaTeX、音视频结构化等基础能力。

== 二、主要工作内容 ==

=== 1. 文本与文档类数据 ===
	•完成 arXiv 多模态数据处理全流程，覆盖源码、图文对、表格与公式
	•构建 PDF 批量处理 Pipeline，实现过滤、分类与解析
	•调研并对比多种 PDF 解析工具，MinerU 综合效果最佳
	•启动专利数据解析，完成 ZIP/XML 结构分析，推进 TIFF 扫描件多模态化

=== 2. 图文多模态数据 ===
	•完成博物馆多模态数据的采集、转换与发布
	•完成金融多模态数据的调研与处理验证

=== 3. 音视频数据 ===
	•完成会议音视频数据处理与发布流程
	•实现话者分离
	•确定视频二进制嵌入 Parquet 的存储方案

=== 4. 工具与基础设施 ===
	•开发统一多模态数据转换工具
	•开发 xgb_ocr_classifier
	•开发 mupdf-webviewer 标注工具
	•完成 LaTeX 渲染及 table / equation 工具链

== 三、数据交付情况 ==

=== 已发布 ===
	•博物馆多模态数据
	•会议音视频数据
	•剧本杀数据

=== 已完成待交付 ===
	•arXiv 多模态数据
	•NIPS 数据解析结果

== 四、人员分工 ==
	•arXiv / PDF / 工具链：小七、咔、苍绮皓、betrace、鱼生、小鑫等
	•博物馆数据：Hertz
	•音视频数据：天地不仁 以万物为刍狗
	•专利数据：临风
	•项目支持：大光

== 五、总结与展望 ==

2025 年完成多模态数据处理流程的系统化建设与多项数据交付。
2026 年将继续提升自动化水平，扩展数据规模与模态覆盖范围。