RVL-CDIP基准发现10.5%标签错误与数据重复

2026年10月26日，arXiv发布一篇关于RVL-CDIP文档分类基准的数据质量系统性审计论文。作者Stefan Larson和Kevin Leach发现该基准40万份文档中约有10.5%存在标签错误，且35.2%的测试集样本与训练集存在重复或近重复。 移除页面识别码会导致先进模型准确率下降11个百分点。团队对25个模型进行了重新评测，并在修正数据缺陷后重新训练模型，修正后版本比原始版本准确率高出0.9至2.9个百分点，其中LayoutLMv3达到96.5%准确率。作者已发布修正后的语料和脱敏文档。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。