RVL-CDIP数据质量系统性审计：发现标签错误与重复数据缺陷

RVL-CDIP文档分类基准中存在约10.5%标签错误和35.2%训练测试重复，移除页面识别码会使先进模型准确率下降11个百分点。作者对25个模型重新评测，修正缺陷后重训模型比原始版本准确率高0.9至2.9个百分点，其中LayoutLMv3达到96.5%准确率，并发布了修正语料和脱敏文档。