RepoGuard
Atualizado 10 h ago
OpenDataLab

Organization

Pegada pública no GitHub de OpenDataLab

@opendatalab
Ver perfil no GitHub

OpenDataLab provides access to numerous significant open-source datasets.

China

67

Repositórios públicos

90.614

Total de estrelas

2.785

Seguidores

A OpenDataLab possui uma presença significativa no GitHub, oferecendo acesso a uma ampla gama de repositórios públicos voltados para conjuntos de dados de código aberto. Com projetos notáveis como MinerU e PDF-Extract-Kit, a organização utiliza principalmente Python e TypeScript em suas iniciativas, contribuindo para o avanço da extração e análise de documentos.

Principais linguagens

Python 47TypeScript 6HTML 3JavaScript 1Jupyter Notebook 1

Repositórios públicos

MinerU

67.402

Transforms complex documents like PDFs and Office docs into LLM-ready markdown/JSON for your Agentic workflows.

Python
Atualizado 13 de jun. de 2026

PDF-Extract-Kit

9.718

A Comprehensive Toolkit for High-Quality PDF Content Extraction

Python
Atualizado 12 de jun. de 2026

DocLayout-YOLO

2.185

DocLayout-YOLO: Enhancing Document Layout Analysis through Diverse Synthetic Data and Global-to-Local Adaptive Perception

Python
Atualizado 12 de jun. de 2026

OmniDocBench

1.801

[CVPR 2025] A Comprehensive Benchmark for Document Parsing and Evaluation

Python
Atualizado 12 de jun. de 2026

labelU

1.590

Open-source multimodal data annotation platform with AI auto-annotation support.

Python
Atualizado 12 de jun. de 2026

LabelLLM

1.239

The Open-Source Data Annotation Platform

TypeScript
Atualizado 13 de jun. de 2026

MinerU-Diffusion

597

A diffusion-based framework for document OCR that replaces autoregressive decoding with block-level parallel diffusion decoding.

Python
Atualizado 12 de jun. de 2026

MinerU-Document-Explorer

585

Agent-native knowledge engine with MCP tools for document indexing, wiki organization, fast retrieval and deep reading across PDF/DOCX/PPTX/Markdown

TypeScript
Atualizado 12 de jun. de 2026

WanJuan1.0

573

万卷1.0多模态语料

Linguagem Desconhecida
Atualizado 9 de jun. de 2026

magic-doc

550

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 9 de jun. de 2026

magic-html

535

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 7 de jun. de 2026

UniMERNet

483

UniMERNet: A Universal Network for Real-World Mathematical Expression Recognition

Python
Atualizado 11 de jun. de 2026

MinerU-HTML

259

MinerU-HTML: An SLM-powered HTML main content extractor that outputs clean HTML bodies. Perfect for Deep Research Agents, RAG applications, and training data generation.

Python
Atualizado 12 de jun. de 2026

Meta-rater

195

[ACL 2025 Best Theme Paper] This is the official implementation for the paper: "Meta-rater: A Multi-dimensional Data Selection Method for Pre-training Language Models"

Python
Atualizado 11 de jun. de 2026

LOKI

179

[ICLR 2025 Spotlight] The official implementation of the paper “LOKI:A Comprehensive Synthetic Data Detection Benchmark using Large Multimodal Models”

Python
Atualizado 3 de jun. de 2026

MinerU-Popo

164

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 13 de jun. de 2026

Earth-Agent

158

[ICLR 2026] The official implementation of the paper “Earth-Agent: Unlocking the Full Landscape of Earth Observation with Agents”

Python
Atualizado 11 de jun. de 2026

labelU-Kit

154

Data annotation component library --provided as NPM packages

TypeScript
Atualizado 10 de jun. de 2026

FakeVLM

150

[NeurIPS 2025 🔥] FakeVLM: Advancing Synthetic Image Detection through Explainable Multimodal Models and Fine-Grained Artifact Analysis

Python
Atualizado 9 de jun. de 2026

opendatalab-datasets

145

datasets resource

Linguagem Desconhecida
Atualizado 12 de jun. de 2026

mineru-vl-utils

128

A Python package for interacting with the MinerU Vision-Language Model.

Python
Atualizado 11 de jun. de 2026

laion5b-downloader

121

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 19 de abr. de 2026

MinerU-Ecosystem

118

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 9 de jun. de 2026

VHM

117

VHM: Versatile and Honest Vision Language Model for Remote Sensing Image Analysis

Python
Atualizado 8 de jun. de 2026

HA-DPO

104

Beyond Hallucinations: Enhancing LVLMs through Hallucination-Aware Direct Preference Optimization

Python
Atualizado 24 de mai. de 2026

OHR-Bench

102

(ICCV 2025) OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation

Python
Atualizado 3 de jun. de 2026

VIGC

97

AAAI 2024: Visual Instruction Generation and Correction

Python
Atualizado 4 de mai. de 2026

MLS-BRN

89

[CVPR 2024] 3D Building Reconstruction from Monocular Remote Sensing Images with Multi-level Supervisions

Python
Atualizado 1 de jun. de 2026

Vis3

87

Data browser based on s3. 一个基于 S3 的数据(json / jsonl / parquet / html / md等)可视化工具。👇 Try online.

TypeScript
Atualizado 1 de jun. de 2026

skydiffusion

81

[ICCV 2025] The official implementation of the paper “Street-to-Satellite Image Synthesis with Diffusion Models and BEV Paradigm”

Python
Atualizado 29 de mai. de 2026

LEGION

78

[ICCV25 Highlight] The official implementation of the paper "LEGION: Learning to Ground and Explain for Synthetic Image Detection"

Python
Atualizado 27 de mai. de 2026

CiteVQA

68

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 7 de jun. de 2026

CLIP-Parrot-Bias

66

ECCV2024_Parrot Captions Teach CLIP to Spot Text

Python
Atualizado 19 de nov. de 2025

opendatalab-python-sdk

60

SDK of OpenDataLab - https://opendatalab.org.cn

Python
Atualizado 9 de mai. de 2026

MLLM-DataEngine

48

MLLM-DataEngine: An Iterative Refinement Approach for MLLM

Python
Atualizado 11 de set. de 2025

WanJuan3.0

46

WanJuan3.0(“万卷·丝路”)一个作为综合性的纯文本语料库,采集了多个国家地区的网络公开信息、文献、专利等资料,数据总规模超1.2TB,Token总数超过300B,处于国际领先水平,首期开源的语料库主要由泰语、俄语、阿拉伯语、韩语和越南语5个子集构成,每个子集的数据规模均超过150GB

Linguagem Desconhecida
Atualizado 24 de abr. de 2026

dsdl-docs

46

Data Set Description Language Specification (新一代人工智能数据集描述语言DSDL)

HTML
Atualizado 22 de fev. de 2026

ProverGen

45

[ICLR 2025] This is the official implementation for the paper: "Large Language Models Meet Symbolic Provers for Logical Reasoning Evaluation"

Python
Atualizado 26 de abr. de 2026

CHARM

45

[ACL 2024 Main Conference] Chinese commonsense benchmark for LLMs

Python
Atualizado 8 de abr. de 2026

UrBench

37

[AAAI 2025]This repo contains evaluation code for the paper “UrBench: A Comprehensive Benchmark for Evaluating Large Multimodal Models in Multi-View Urban Scenarios”

Python
Atualizado 8 de abr. de 2026

TRivia

34

(CVPR 2026) TRivia: Self-supervised Fine-tuning of Vision-Language Models for Table Recognition

Python
Atualizado 4 de jun. de 2026

REST

34

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 19 de mai. de 2026

image-downloader

30

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 13 de mai. de 2026

Sciverse-Agent-Tools

27

Standardized tool schemas and SDKs that expose Sciverse Open Platform retrieval capabilities to LLM agents.

Python
Atualizado 11 de jun. de 2026

RxnCaption

25

[CVPR 2026] SOTA Chemical Reaction Diagram Parsing Framework

Python
Atualizado 13 de mai. de 2026

labelbee

25

Nenhuma descrição fornecida para este repositório.

TypeScript
Atualizado 7 de ago. de 2024

Miner-PDF-Benchmark

24

MPB (Miner-PDF-Benchmark) is an end-to-end PDF document comprehension evaluation suite designed for large-scale model data scenarios.

Python
Atualizado 2 de fev. de 2026

mineru-tutorials

18

MinerU Training Camp course materials and tutorials

Linguagem Desconhecida
Atualizado 1 de jun. de 2026

awesome-markdown-ebooks

17

Nenhuma descrição fornecida para este repositório.

Linguagem Desconhecida
Atualizado 14 de mai. de 2026

WebMainBench

16

WebMainBench is a high-precision benchmark for evaluating web main content extraction.

Python
Atualizado 20 de abr. de 2026

CrossViewDiff

16

The official implementation of the paper "CrossViewDiff: A Cross-View Diffusion Model for Satellite-to-Street View Synthesis"

JavaScript
Atualizado 31 de jan. de 2026

WanJuan2.0-WanJuan-CC

14

WanJuan-CC是以CommonCrawl为基础,经过数据抽取,规则清洗,去重,安全过滤,质量清洗等步骤得到的高质量数据。

Linguagem Desconhecida
Atualizado 26 de mai. de 2026

PM4Bench

14

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 24 de jul. de 2025

dsdl-sdk

13

Nenhuma descrição fornecida para este repositório.

Jupyter Notebook
Atualizado 29 de mai. de 2024

OpenHuEval

12

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 12 de mai. de 2026

MinerU-Webkit

10

Nenhuma descrição fornecida para este repositório.

HTML
Atualizado 9 de jun. de 2026

labelU-frontend

9

LabelU front-end library

TypeScript
Atualizado 27 de jan. de 2026

awesome-mineru

8

🕶️ A curated list of awesome things related to MinerU

Python
Atualizado 4 de jun. de 2026

allz

7

A universal command line tool for compression and decompression

Python
Atualizado 3 de jun. de 2026

MolRecBench-Wild

4

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 5 de jun. de 2026

CRaFT

4

[AAAI25] Certainty Represented Knowledge Flow for Refusal-Aware Instruction Tuning

Python
Atualizado 3 de jul. de 2025

GRAIT

3

[NAACL25 findings] Gradient-Driven Refusal-Aware Instruction Tuning for Effective Hallucination Mitigation

Python
Atualizado 16 de ago. de 2025

OmniDocLayout

2

[CVPR26 Highlight] The official implementation of the paper "OmniDocLayout: Towards Diverse Document Layout Generation via Coarse-to-Fine LLM Learning"

Linguagem Desconhecida
Atualizado 12 de jun. de 2026

.github

1

Nenhuma descrição fornecida para este repositório.

Linguagem Desconhecida
Atualizado 27 de mai. de 2026

opendatalab.github.io

1

Nenhuma descrição fornecida para este repositório.

HTML
Atualizado 9 de mai. de 2026

labelU-ML

1

Nenhuma descrição fornecida para este repositório.

Python
Atualizado 6 de jan. de 2023

rdkit

0

A forked repo of the official RDKit library

Linguagem Desconhecida
Atualizado 8 de jan. de 2026

Perguntas frequentes

O que a OpenDataLab constrói no GitHub?

A OpenDataLab desenvolve ferramentas e bibliotecas voltadas para a extração e análise de dados de documentos. Seus repositórios incluem projetos como MinerU e PDF-Extract-Kit, que são amplamente utilizados na comunidade de código aberto.

Quais linguagens de programação a OpenDataLab utiliza?

A OpenDataLab utiliza principalmente Python e TypeScript em seus projetos. Além disso, HTML, JavaScript e Jupyter Notebook também são usados em várias de suas aplicações e ferramentas de análise de dados.

Os repositórios da OpenDataLab são públicos?

Sim, todos os repositórios da OpenDataLab são públicos. Isso permite que a comunidade acesse, contribua e utilize as ferramentas de código aberto que a organização desenvolve, promovendo a colaboração e a disseminação de conhecimento.

Essa exposição é intencional?

Monitore OpenDataLab com o RepoGuard e receba alertas no momento em que um novo repositório público aparecer.

Monitore esta conta