ScienceMetaBench开源科学文献元数据提取评测基准

近年来，评测领域迎来一项重要进展——上海人工智能实验室 OpenDataLab 团队正式发布了名为 ScienceMetaBench 的评测基准，旨在全面评估科学文献元数据的提取能力。简单来说，该基准用于衡量各类模型从PDF文件中准确抽取标题、作者、摘要等关键信息的性能。

该基准的初心十分务实：为学术界和工业界提供一把公平、可复现的“标尺”，使不同元数据提取方法能够进行横向对比，避免各自为战。当前，市面上已有的评测标准良莠不齐，评估结果难以直接对齐。

ScienceMetaBench 的评测范围涵盖三类常见科学文档：学术论文（Paper）、教科书（Textbook）和电子书（Ebook）。此外，团队特别强化了对中英文双语场景的支持——从文本识别、字段解析到语义对齐，均实现了语种自适应，确保提取结果与原文语言保持一致。这一特性对处理以中文文献为主的应用场景尤为重要。

下图呈现了一个从学术论文PDF首页成功提取元数据字段的示例，使读者能够直观了解提取效果：

从论文首页需要精准提取的核心字段包括：文件级唯一哈希值（SHA256）、国际数字对象标识符（DOI）、文献标题（保留原始大小写和标点）、作者列表（统一使用英文逗号分隔）、关键词集合、完整摘要文本，以及标准化出版年份（仅四位数）。这些字段虽看似基础，但从不同排版、不同语言的PDF中准确抓取却面临巨大挑战。

为提升样本多样性与现实鲁棒性，研究团队采用多源异构PDF数据采集策略，并引入K-Means图像聚类方法对页面布局进行无监督分组。如此一来，从紧凑的单栏布局到复杂的多栏布局，再到包含图表、公式、多语言混排的“硬骨头”案例，均能在评测中实现有效覆盖。标注流程采用“大模型预标注 + 领域专家人工校验”的协同模式，并严格对标已有权威基准OmniDocBench，确保规范性与评测维度的前沿性。

综上，ScienceMetaBench 基准的推出为元数据提取领域提供了一个更加规范的参考标准，未来研究者可基于该基准进行更精细的性能优化与横向对比。