Dataset Viewer
Auto-converted to Parquet Duplicate
id
stringlengths
45
65
image
imagewidth (px)
961
3.57k
doctags
stringlengths
68
206k
markdown
stringlengths
0
204k
language
stringclasses
83 values
doc_4182abfad92fbe447a190b1337c0d0315da861b4_p00031
<doctag><otsl><loc_251><loc_170><loc_1658><loc_426><ecel><fcel>детская эргономичная мебель<fcel>психолога<nl><fcel>50.<fcel>Укладка экстренной профилактики парентеральных инфекций для оказания первичной медико - санитарной помощи, скорой медицинской помощи, специализированной медицинской помощи и паллиативной медицинск...
<table><tbody><tr><td></td><td>детская эргономичная мебель</td><td>психолога</td></tr><tr><td>50.</td><td>Укладка экстренной профилактики парентеральных инфекций для оказания первичной медико - санитарной помощи, скорой медицинской помощи, специализированной медицинской помощи и паллиативной медицинской помощи 9</td><t...
ru
doc_out_ckb_docx_batch_13_24.docx__ckb__158_p00211
<doctag><page_header><loc_242><loc_115><loc_1610><loc_151>الفصل . ........................................................ . / الخامس الفصل . ........................................................ . / الخامس</page_header> <text><loc_268><loc_283><loc_1567><loc_2155>عام ٦٥٨١ عام ٦٥٨١ همايون مرسوم همايون وقد ، شريف بخط...
الفصل . ........................................................ . / الخامس الفصل . ........................................................ . / الخامس عام ٦٥٨١ عام ٦٥٨١ همايون مرسوم همايون وقد ، شريف بخط عرف اار سوما مر کولخانه شريف اط اصدار اعقب من موجه سلطاني سوم كمر م ٦٥٨١ عام شباط من الثامن في سوم المر هذا صدر ى ...
ar
doc_out_ckb_docx_batch_13_29.docx__ckb__99_p00037
<doctag><page_header><loc_1076><loc_112><loc_1615><loc_139>المجاورة المجاورة والقرى والمدن بعقوبا ريف : الرابع الفصل</page_header> <text><loc_167><loc_165><loc_1615><loc_1715>تسمى ) 1 ( إلا لا وكانت ، قبة جمع القباب و , اب التر و الطين من مبنية قباب تسمى ) 1 ( إلا لا وكانت ، قبة جمع القباب و , اب التر و الطين من مبنية ...
المجاورة المجاورة والقرى والمدن بعقوبا ريف : الرابع الفصل تسمى ) 1 ( إلا لا وكانت ، قبة جمع القباب و , اب التر و الطين من مبنية قباب تسمى ) 1 ( إلا لا وكانت ، قبة جمع القباب و , اب التر و الطين من مبنية قباب ) 2 ( . اف الأشر و للرؤساء ى ى عنها تحدثت التي المصادر أكثر وتؤكد , با بعقو ريف قر من قر ل اسم وهو بقرب ليث قبا...
ar
doc_408340a448a7206ef45aa521d4d0a6e5bd2f5018_p00009
<doctag><otsl><loc_167><loc_107><loc_1742><loc_791><fcel>5.5. Повышение профессионального уровня преподавателей, выявление эффективных форм и методов работы<fcel>Прочие расходы<fcel>2018- 2021<fcel>МБУ ДО «ДЮСШ «Арефино »<fcel>-<fcel>-<fcel>-<fcel>-<fcel>-<nl><fcel>5.6. Обеспечение деятельности МБУ ДО «ДЮСШ «Арефино»<f...
<table><tbody><tr><td>5.5. Повышение профессионального уровня преподавателей, выявление эффективных форм и методов работы</td><td>Прочие расходы</td><td>2018- 2021</td><td>МБУ ДО «ДЮСШ «Арефино »</td><td>-</td><td>-</td><td>-</td><td>-</td><td>-</td></tr><tr><td>5.6. Обеспечение деятельности МБУ ДО «ДЮСШ «Арефино»</td>...
ru
doc_40a4d254c7083e26d35ff009928fa2fbf735bcf3_p00017
<doctag><picture><loc_160><loc_62><loc_397><loc_263></picture> <picture><loc_448><loc_62><loc_1014><loc_263></picture> <picture><loc_1330><loc_79><loc_1639><loc_263></picture> <picture><loc_1066><loc_81><loc_1277><loc_263></picture> <page_header><loc_292><loc_307><loc_1517><loc_350>ASOCIAȚIA GRUPUL DE ACŢIUNE LOCALĂ PO...
<!-- image --> <!-- image --> <!-- image --> <!-- image --> ASOCIAȚIA GRUPUL DE ACŢIUNE LOCALĂ PODGORIA MINIŞ - MĂDERAT <!-- image --> Comuna ŞIRIA, strada Regiment 85 Infanterie, nr. 162, jud. Arad, 317340 Tel/Fax: 0257-384040 E-mail: galpodgoriaminismaderat@yahoo.ro; Web: www.galpodgoriaminismaderat.ro ####...
ro
doc_out_ckb_docx_batch_17_224.docx__ckb__5_p00017
<doctag><page_header><loc_280><loc_105><loc_1505><loc_160>.................................... في الضريبي النظام ........................... ........... ........ ..... .................................... في الضريبي النظام ........................... ........... ........ ..... الثاني الفصل</page_header> <unordered_list...
.................................... في الضريبي النظام ........................... ........... ........ ..... .................................... في الضريبي النظام ........................... ........... ........ ..... الثاني الفصل - الطلب في يعينها التي المدة خلال المالية السلطة الى ا ير تقر يقدم أن مستخدم كل على ال...
ar
doc_447651346036ce3c3bc6a2331fa3c5c20a94bf6e_p00013
<doctag><text><loc_127><loc_177><loc_1656><loc_1036>Basu, Amrita (2017 [2000]) 'Globalization of the Local/Localization of the Global: Mapping Transnational Women's Movements', chapter 5 in Carole McCann and Seung-Kyung Kim th Feminist Theory Reader: Local and Global Perspectives, 4 edition, London and New York: Routle...
Basu, Amrita (2017 [2000]) 'Globalization of the Local/Localization of the Global: Mapping Transnational Women's Movements', chapter 5 in Carole McCann and Seung-Kyung Kim th Feminist Theory Reader: Local and Global Perspectives, 4 edition, London and New York: Routledge. Cockburn, Cynthia (2007) From Where We Stand: W...
en
doc_42a2bbb9f85a133eeecb47cab33b2a4b0ef23b4b_p00001
<doctag><text><loc_816><loc_223><loc_1017><loc_252>DISCLAIMER</text> <text><loc_216><loc_297><loc_1620><loc_477>The South Carolina Legislative Council is offering access to the unannotated South Carolina Code of Laws on the Internet as a service to the public. The unannotated South Carolina Code on the General Assembly...
DISCLAIMER The South Carolina Legislative Council is offering access to the unannotated South Carolina Code of Laws on the Internet as a service to the public. The unannotated South Carolina Code on the General Assembly's website is now current through the 2008 session. The unannotated South Carolina Code, consisting ...
en
doc_40a4d254c7083e26d35ff009928fa2fbf735bcf3_p00014
<doctag><picture><loc_160><loc_62><loc_397><loc_263></picture> <picture><loc_448><loc_62><loc_1014><loc_263></picture> <picture><loc_1330><loc_79><loc_1639><loc_263></picture> <picture><loc_1066><loc_81><loc_1277><loc_263></picture> <page_header><loc_292><loc_307><loc_1517><loc_350>ASOCIAȚIA GRUPUL DE ACŢIUNE LOCALĂ PO...
<!-- image --> <!-- image --> <!-- image --> <!-- image --> ASOCIAȚIA GRUPUL DE ACŢIUNE LOCALĂ PODGORIA MINIŞ - MĂDERAT <!-- image --> Comuna ŞIRIA, strada Regiment 85 Infanterie, nr. 162, jud. Arad, 317340 Tel/Fax: 0257-384040 E-mail: galpodgoriaminismaderat@yahoo.ro; Web: www.galpodgoriaminismaderat.ro - • ...
ro
doc_out_ckb_docx_batch_13_24.docx__ckb__158_p00192
<doctag><page_header><loc_417><loc_115><loc_1610><loc_151>الفصل . .................. . / الرابع الفصل . .................. . / الرابع</page_header> <text><loc_268><loc_273><loc_1567><loc_2092>ين المفكر لاء لهؤ فأن الالمان يفضله لا حار بجو يمتاز الذي اق العر جنوب اما ى فيها يستغل هناك اسعة و المانية ع ار مز انشاء الى يد...
الفصل . .................. . / الرابع الفصل . .................. . / الرابع ين المفكر لاء لهؤ فأن الالمان يفضله لا حار بجو يمتاز الذي اق العر جنوب اما ى فيها يستغل هناك اسعة و المانية ع ار مز انشاء الى يدعو ينجر فشبر بشأنه، اار اططا ابرز احد هو و باخ رور باو طور وقد المنطقة. اهل العرب عمل الالمان ابها اص تلك انشاء في ...
ar
doc_out_ckb_docx_batch_17_26.docx__ckb__177_p00039
<doctag><page_header><loc_385><loc_115><loc_1462><loc_163>الفيدرالية Government Accounting الفيدرالية Government Accounting الحكومية المحاسبة</page_header> <text><loc_299><loc_225><loc_1515><loc_470>الإدخالات الفصل نهاية في وترد .) الهوية تحديد لسهولة مائل بخط مكتوبة المؤقتة بالوكالة. الخاصة الملكية وحسابات الميزانية ب...
الفيدرالية Government Accounting الفيدرالية Government Accounting الحكومية المحاسبة الإدخالات الفصل نهاية في وترد .) الهوية تحديد لسهولة مائل بخط مكتوبة المؤقتة بالوكالة. الخاصة الملكية وحسابات الميزانية بحسابات الخاصة القانون بموجب المنفقة غير الاعتمادات بسلطة الوكالة تحتفظ الميزانية حسابات يلي: بما الإبقاء هذا يسمح ...
ar
doc_out_ckb_docx_batch_17_252.docx__ckb__111_p00002
<doctag><unordered_list><list_item><loc_657><loc_225><loc_1567><loc_266>1 إثباته وقيود المال رأس بتكوين تتصل التي المحاسبية المعالجات .</list_item> <list_item><loc_657><loc_225><loc_1512><loc_264>1 إثباته وقيود المال رأس بتكوين تتصل التي المحاسبية المعالجات . إثباته وقيود المال رأس بتكوين تتصل التي المحاسبية المعالجات<...
- 1 إثباته وقيود المال رأس بتكوين تتصل التي المحاسبية المعالجات . - 1 إثباته وقيود المال رأس بتكوين تتصل التي المحاسبية المعالجات . إثباته وقيود المال رأس بتكوين تتصل التي المحاسبية المعالجات أصول شكل على المال رأس في لحصصهم الشركاء بتقديم التضامنية الشركة تكوين مرحلة تبدأ القيمذذة ا هذذ تكون أن شرط , الشركة ملكية إلى...
ar
doc_out_ckb_docx_batch_17_101.docx__ckb__58_p00179
<doctag><section_header_level_7><loc_602><loc_242><loc_1233><loc_278>والتحكيم والخلافات ات المطال : العشرون المادة</section_header_level_7> <section_header_level_9><loc_1310><loc_328><loc_1620><loc_357>20 المقاول ات مطال - 1 / 20 المقاول ات مطال - 1 /</section_header_level_9> <text><loc_216><loc_405><loc_1620><loc_1396...
######## والتحكيم والخلافات ات المطال : العشرون المادة ########## 20 المقاول ات مطال - 1 / 20 المقاول ات مطال - 1 / هذه من "مادة" اي بموجب افية ا دفعة اية و/او الانجاز" "مدة في تمديد على للحصول مستحقا يعتبرنفسه المقاول كان اذا الظرف او الواقعة فيه مبينا اشعارا المهندس الى يرسل ان عليه يتعين فانه بالعقد، المتعلقة الاس...
ar
doc_4177ee761ff965752d4fd5e4f32540522c3a9347_p00001
<doctag><section_header_level_1><loc_606><loc_422><loc_1392><loc_518>Глава городского поселения «Борзинское»</section_header_level_1> <title><loc_683><loc_537><loc_1311><loc_592>ПОСТАНОВЛЕНИЕ</title> <text><loc_297><loc_654><loc_1615><loc_690>«15» сентября 2022 г. № 770</text> <unordered_list><list_item><loc_913><loc_7...
## Глава городского поселения «Борзинское» # ПОСТАНОВЛЕНИЕ «15» сентября 2022 г. № 770 - г. Борзя О назначении публичных слушаний по вопросу предоставления разрешения на условно разрешенный вид использования земельных участков городского поселения «Борзинское» Руководствуясь частью 3 статьи 28 Федерального закона ...
ru
doc_out_ckb_docx_batch_17_209.docx__ckb__159_p00004
<doctag><section_header_level_1><loc_829><loc_335><loc_957><loc_391>م م</section_header_level_1> <text><loc_273><loc_426><loc_1518><loc_582>المش في عليها المنصوص والإجراءات للسياسات وفقا كوردستان إقليم حكومة من الممولة اريع المش في عليها المنصوص والإجراءات للسياسات وفقا كوردستان إقليم حكومة من الممولة اريع تنفيذ يتم غي...
## م م المش في عليها المنصوص والإجراءات للسياسات وفقا كوردستان إقليم حكومة من الممولة اريع المش في عليها المنصوص والإجراءات للسياسات وفقا كوردستان إقليم حكومة من الممولة اريع تنفيذ يتم غير الخدمات على التعاقد على التعاقد جهات ولمساعدة . 2016 لسنة ) 2 ( رقم الحكوميّة التعاقدات تنفيذ 1 بتصميم كوردستان إقليم حكومة قامت ا...
ar
doc_out_ckb_docx_batch_17_66.docx__ckb__41_p00018
<doctag><text><loc_216><loc_300><loc_1512><loc_379>26 أية من وخال كافة المناقصة وثائق ومواصفات شروط و بنود يطابق الذي هو المستجيب العطاء ان 2 - 26 أية من وخال كافة المناقصة وثائق ومواصفات شروط و بنود يطابق الذي هو المستجيب العطاء ان 2 - التي: تلك هي الجوهرية الإنحرافات أو التحفظات ان . أوتحفظات جوهرية</text> <section_h...
26 أية من وخال كافة المناقصة وثائق ومواصفات شروط و بنود يطابق الذي هو المستجيب العطاء ان 2 - 26 أية من وخال كافة المناقصة وثائق ومواصفات شروط و بنود يطابق الذي هو المستجيب العطاء ان 2 - التي: تلك هي الجوهرية الإنحرافات أو التحفظات ان . أوتحفظات جوهرية ########## . الخدمات إداء أو و نوعية و نطاق على جوهرية بصورة تؤثر (...
ar
doc_out_ckb_docx_batch_17_160.docx__ckb__33_p00003
<doctag><otsl><loc_40><loc_215><loc_2485><loc_1520><fcel>لشهر آذار لشهر آذار الرسمية الإيفادات<lcel><lcel><lcel><lcel><lcel><lcel><lcel><ecel><ecel><ecel><ecel><ecel><ecel><ecel><nl><fcel>تتحمل التي الجهة النفقات<fcel>الايفاد من الغرض<fcel>الايفاد مدة<fcel>تنفيذ تاريخ الايفاد<fcel>الاداري الامر رقم وتاريخه<fcel>السفر ج...
<table><tbody><tr><td colspan="8" dir="rtl">لشهر آذار لشهر آذار الرسمية الإيفادات</td><td></td><td></td><td></td><td></td><td></td><td></td><td></td></tr><tr><td dir="rtl">تتحمل التي الجهة النفقات</td><td dir="rtl">الايفاد من الغرض</td><td dir="rtl">الايفاد مدة</td><td dir="rtl">تنفيذ تاريخ الايفاد</td><td dir="rtl">ال...
ar
doc_out_ckb_docx_batch_17_205.docx__ckb__106_p00008
<doctag><page_header><loc_667><loc_115><loc_1610><loc_146>تحليل سالم عدنان . د ... السهم سعر على واثره للارباح النقدي المقسوم سياسات تحليل سالم عدنان . د ... السهم سعر على واثره للارباح النقدي المقسوم سياسات</page_header> <unordered_list><list_item><loc_638><loc_196><loc_1552><loc_381>السهم سعر على ويؤثر للسهم الأرباح ...
تحليل سالم عدنان . د ... السهم سعر على واثره للارباح النقدي المقسوم سياسات تحليل سالم عدنان . د ... السهم سعر على واثره للارباح النقدي المقسوم سياسات - السهم سعر على ويؤثر للسهم الأرباح توزيع سياسة تغيرات ثالثا: تحديد إلى المدراء يتوجه لذلك , الشركة مستقبل وعلى بالانخفاض احتمال من يقلل الذي بالشكل الأدنى بحدها للسهم ا...
ar
doc_40957f04167d9b482c25221f247479d147bf60dd_p00005
<doctag><text><loc_254><loc_218><loc_1634><loc_324>Parágrafo 2º: 2º: A prática de atos não inerentes ao objeto social por parte do administrador, implicará na sua responsabilização pessoal, nos termos da lei civil.</text> <text><loc_254><loc_424><loc_1636><loc_597>Parágrafo 3º: 3º: Pelos serviços prestados à Sociedade,...
Parágrafo 2º: 2º: A prática de atos não inerentes ao objeto social por parte do administrador, implicará na sua responsabilização pessoal, nos termos da lei civil. Parágrafo 3º: 3º: Pelos serviços prestados à Sociedade, o administrador terá direito a remuneração, a título de ' pró-labore ', que será fixada anualmente ...
pt
doc_out_ckb_docx_batch_17_176.docx__ckb__39_p00009
<doctag><unordered_list><list_item><loc_216><loc_225><loc_1512><loc_345>مقللالات ونشللر المسللئولين ملله المقللابلات واجللراس البلللد ئللن المتخصصللة . وتطورات الاستثمار مناخ ئن وتحقيقات وتحليلات</list_item> </unordered_list> <section_header_level_7><loc_300><loc_508><loc_1617><loc_573>الاستثمار لجهاز الشبكي الموقه واه...
- مقللالات ونشللر المسللئولين ملله المقللابلات واجللراس البلللد ئللن المتخصصللة . وتطورات الاستثمار مناخ ئن وتحقيقات وتحليلات ######## الاستثمار لجهاز الشبكي الموقه واهمية الالكتروني الترويج لجهاز ضلرورة الأنترنيت ئلى للاستثمار الترويج لجهاز ضلرورة الأنترنيت ئلى للاستثمار الترويج شبكي موقه اقامة اصبحت لجهلاز الشلبكي ...
ar
doc_out_ckb_docx_batch_13_24.docx__ckb__158_p00195
<doctag><page_header><loc_417><loc_115><loc_1610><loc_151>الفصل . .................. . / الرابع الفصل . .................. . / الرابع</page_header> <text><loc_357><loc_271><loc_1564><loc_352>٢ كية. ائبجمر ضر تاجونها ي التي اد المو اد استير في ق ال المستوطنين منح . ٢ كية. ائبجمر ضر تاجونها ي التي اد المو اد استير في ق ا...
الفصل . .................. . / الرابع الفصل . .................. . / الرابع ٢ كية. ائبجمر ضر تاجونها ي التي اد المو اد استير في ق ال المستوطنين منح . ٢ كية. ائبجمر ضر تاجونها ي التي اد المو اد استير في ق ال المستوطنين منح . - 3 ر الب باتجاه بغداد حديد ة الس ئيس الر الخط من ع تتفر ثانوية اطوط .انشاء 3 ر الب باتجاه بغد...
ar
doc_out_ckb_docx_batch_17_66.docx__ckb__41_p00008
<doctag><text><loc_216><loc_223><loc_1456><loc_302>المشروع في المشاركين الأطراف من موقعة المشترك المشروع أتفاقية إبرام النية في أعلام خطاب بتقديم للأتفاقية. مسودة مع للفوز عطائهم ترشح حالة في كافة المشترك</text> <section_header_level_9><loc_216><loc_348><loc_1456><loc_506>الصلاحيات وتخويله المشترك المشروع لقيادة المشتر...
المشروع في المشاركين الأطراف من موقعة المشترك المشروع أتفاقية إبرام النية في أعلام خطاب بتقديم للأتفاقية. مسودة مع للفوز عطائهم ترشح حالة في كافة المشترك ########## الصلاحيات وتخويله المشترك المشروع لقيادة المشترك المشروع في المشاركين أحد أختيار يتعين (د) المشاركين. الأطراف بقية عن بالنيابة التوجيهات لأستلام المشترك. ...
ar
doc_416cbef629f0e31184cdc167674795828942a171_p00011
<doctag><page_header><loc_915><loc_115><loc_954><loc_146>11</page_header> <section_header_level_1><loc_249><loc_227><loc_1618><loc_311>4. Состав, последовательность и сроки выполнения административных процедур (действий), требования к порядку их выполнения .</section_header_level_1> <text><loc_170><loc_371><loc_1702><l...
11 ## 4. Состав, последовательность и сроки выполнения административных процедур (действий), требования к порядку их выполнения . 4 .1. Предоставление муниципальной услуги включает в себя следующие административные процедуры: 1) прием заявления о присвоении (изменении, аннулировании) адреса объекту адресации ; - 2) ...
ru
doc_44a5f9887facc98c4a8ea50fbe9857f2cb35f8b4_p00001
<doctag><unordered_list><list_item><loc_211><loc_136><loc_957><loc_179>28. nedelja med letom, 13. 10. 2013 C</list_item> </unordered_list> <text><loc_211><loc_230><loc_2470><loc_479>Življenja si nismo ustvarili sami, ampak je Božji dar. Zmotno je misliti, da Bog človeka ne vodi in mu ne stoji ob strani. Bog je zvest, a...
- 28. nedelja med letom, 13. 10. 2013 C Življenja si nismo ustvarili sami, ampak je Božji dar. Zmotno je misliti, da Bog človeka ne vodi in mu ne stoji ob strani. Bog je zvest, a mu moramo dovoliti, da nas lahko vodi in posega v naše življenje. Noče pa biti vsiljiv, zato čaka, da v vsej svoji svobodi njegovo voljo spr...
sl
End of preview. Expand in Data Studio

DocAtlas: Multilingual Document Understanding Across 80+ Languages

arXiv HuggingFace License

DocAtlas is a large-scale, high-fidelity multilingual OCR dataset covering 82 languages and 10 writing systems, built through model-free differential rendering. It provides precise structural annotations in a unified DocTag format encoding layout, text, and component types — without relying on any learned models for core annotation.

This dataset powers the training of DocAtlas-DeepSeek, which achieves state-of-the-art performance (83.37% overall) on multilingual document understanding, outperforming 16 prior models including GPT-4o and Gemini-2.0-Pro.

Key Features

  • 82 languages across 10 writing systems (Latin, Cyrillic, Arabic, Devanagari, Chinese, Hangeul, Greek, Abugidas, Syllabaries, Abjads)
  • 180,913 training pages with model-free structural annotations
  • Dual annotation pipelines: differential rendering of native DOCX documents + synthetic LaTeX-based generation for RTL scripts
  • Unified DocTag format jointly encoding component type, geometry, and text content
  • 31 structural element types spanning text, tables, headings, figures, equations, charts, and more
  • 25+ content domains including Health, Law, Finance, Science, and Education
  • DPO-ready: rendering-derived ground truth serves as positive signal for Direct Preference Optimization, achieving stable cross-lingual transfer (+1.9% in-domain, +1.8% out-of-domain) without base-language degradation

Dataset Columns

Column Type Description
id string Unique identifier for each page sample.
image image Rendered page image (the document page as seen by the model).
doctags string Structural annotation in the DocTag format — an XML-like schema encoding component types (e.g., <text>, <table>, <section_header>), bounding-box geometry, and text content for each element on the page.
markdown string Full page content converted to Markdown, preserving headings, tables, lists, and inline formatting. Suitable for end-to-end page-to-Markdown training and evaluation.
language string ISO 639-1 language code (e.g., en, ar, zh, hi) identifying the primary language of the document page.

Usage

from datasets import load_dataset

dataset = load_dataset("ahmedheakl/docatlas_instruct", split="train")

# Access a sample
sample = dataset[0]
print(sample["language"])   # e.g., "en"
print(sample["markdown"])   # Markdown content of the page
print(sample["doctags"])    # DocTag structural annotation
sample["image"].show()      # Display the page image

Streaming (recommended for large-scale loading)

from datasets import load_dataset

dataset = load_dataset("ahmedheakl/docatlas_instruct", split="train", streaming=True)

for sample in dataset:
    print(sample["id"], sample["language"])
    break

Script & Language Coverage

The dataset spans 10 writing systems with broad typological diversity:

Writing System Example Languages
Latin English, French, Spanish, Polish, Vietnamese, ...
Cyrillic Russian, Ukrainian, Serbian, Bulgarian, ...
Arabic Arabic, Persian, Urdu, Kurdish, ...
Devanagari Hindi, Marathi, Nepali, ...
Chinese Chinese (Simplified & Traditional)
Hangeul Korean
Greek Greek
Abugidas Thai, Khmer, Lao, Burmese, Tamil, Telugu, ...
Syllabaries Japanese, Amharic, ...
Abjads Hebrew

Code Release

🚧 Data generation and training code will be released soon. Stay tuned!

Citation

If you use DocAtlas in your research, please cite our paper:

@article{heakl2026docatlas,
  title={DocAtlas: Multilingual Document Understanding Across 80+ Languages},
  author={Heakl, Ahmed and Mohamed, Youssef and Sohail, Abdullah and Elbadry, Rania and Nassar, Ahmed and Staar, Peter WJ and Khan, Fahad Shahbaz and Razzak, Imran and Khan, Salman},
  journal={arXiv preprint arXiv:2605.12623},
  year={2026}
}

License

This dataset is released under the CC-BY 4.0 license. All source documents were collected from publicly accessible web content and academic repositories under permissive licenses, with automated PII detection applied to remove sensitive content.

Downloads last month
992

Papers for ahmedheakl/docatlas_instruct