XINLI1997/pptx-format-error-200

PPTX 格式错误数据集（200 样本子集）

每个 pptx 都是单页幻灯片。perturbed_<id>.pptx 是在 original_<id>.pptx 基础上注入 格式扰动后的版本，两者一一配对，文件名中的 <id> 即样本编号。

目录

• perturbed/ — 200 个含格式错误的 pptx（核心）
• original/ — 200 个对应的未扰动 pptx（参考/对照）
• png/ — 每个样本 original 与 perturbed 的渲染图
• labels/ — 标注
• MANIFEST.tsv — 全部文件的 sha256 + 字节数

标注说明

• labels/perturb_info.json — 记录了具体扰动的样本，字段 perturb_types 取值为 size / position / zorder / font_size / font / italic，indices 为被改动的 shape 索引。注意：只有部分样本有此记录（见下方"数据分层"）。
• labels/dim_[A-F]_*.json — 六个格式质量维度的精标，每条含 question、 ground_truth.label（true/false）、objects_involved、以及 evidence （如重叠对的 IoU）。维度为 A=Overlap、B=Overflow、C=Font Size、D=Alignment、 E=Out of Bounds、F=Density。
• labels/file_mapping_subset.json — 每个样本的来源 deck、slide 索引、原始 user query。
• labels/selection_tier.json — 每个样本的入选层级（见下）。
• labels/verify_benchmark_metadata.json — 六维度精标的抽样与难度分布说明。

数据分层（重要）

样本按以下优先级选入，selection_tier.json 标明了每个样本属于哪一层：

1. curated_dim — 被六维度精标覆盖的样本，标注最完整、可直接做评测。
2. perturb_info — 有明确扰动类型记录的样本。
3. fill — 其余样本。这些样本的 perturbed 与 original 确实不同（已逐字节校验）， 但原始基准未记录扰动元数据，其差异可能来自编辑任务而非纯格式扰动。若你的任务 严格要求"格式错误"，建议优先使用前两层。

来源

抽自 benchmark_v3.2（360 组 original/perturbed 单页配对），六维度精标来自 verify_benchmark（该集为 benchmark_v3.2 的派生子集）。 样本 95 因 perturbed_95.pptx 为 0 字节损坏文件而被排除。