# bleu

Published articles for bleu.

This is one page of public article previews, not the complete archive. Follow Next page to continue. Summaries are not the original full articles.

## PereStruct: Modular Pipeline and Dataset for Parsing Historical Newspapers

DevFeed: [PereStruct: Modular Pipeline and Dataset for Parsing Historical Newspapers](<https://devfeed.tech/articles/vlm-perestruct-24889.md>)

Original publisher: [Read original article](<https://habr.com/ru/companies/yandex/articles/1076770/>)

Author: makSShan (Яндекс, Yandex Cloud & Yandex Infrastructure)

Published: 2026-09-01T07:05:21Z

Content type: tutorial

Language: ru

Sources: [Яндекс - Как мы делаем Яндекс / Статьи](<https://devfeed.tech/sources/source.md>)

Topics: [Artificial Intelligence](<https://devfeed.tech/topics/ai.md>), [яндекс](<https://devfeed.tech/topics/tag-4004cf5948d3.md>), [vlm](<https://devfeed.tech/topics/vlm.md>)

Tags: [ai](<https://devfeed.tech/tags/ai.md>), [ai-studio](<https://devfeed.tech/tags/ai-studio.md>), [bleu](<https://devfeed.tech/tags/bleu.md>), [computervision](<https://devfeed.tech/tags/computervision.md>), [ocr](<https://devfeed.tech/tags/ocr.md>), [perestruct](<https://devfeed.tech/tags/perestruct.md>), [rouge](<https://devfeed.tech/tags/rouge.md>), [tag-4004cf5948d3](<https://devfeed.tech/tags/tag-4004cf5948d3.md>), [tag-65c8d6d9e736](<https://devfeed.tech/tags/tag-65c8d6d9e736.md>), [tag-9bf5e01ce62e](<https://devfeed.tech/tags/tag-9bf5e01ce62e.md>), [tag-d27a0708d400](<https://devfeed.tech/tags/tag-d27a0708d400.md>), [vision](<https://devfeed.tech/tags/vision.md>), [vlm](<https://devfeed.tech/tags/vlm.md>), [yandex-ai-studio](<https://devfeed.tech/tags/yandex-ai-studio.md>), [yolo](<https://devfeed.tech/tags/yolo.md>)

### AI overview

The article presents PereStruct, a modular pipeline for reconstructing articles from historical newspaper scans. It combines YOLO-based layout detection, Yandex Vision OCR, Yandex AI Studio models for error correction, and a semantic model for assembling article blocks; the authors also publish code, an annotated dataset, and a benchmark.

### Source excerpt

Попробуйте открыть скан советской газеты и прочитать одну статью от начала до конца. Человек быстро замечает крупный заголовок, продолжение в соседней колонке и подпись под фотографией. Для алгоритма перед ним -- это выцветшая страница с десятками тесно расположенных прямоугольников, нестандартными шрифтами и неоднозначным порядком чтения. Даже если OCR правильно распознаёт почти все слова, на выходе ещё не получится документ. Нужно понять, какие фрагменты относятся к одной статье, где её начало, в каком порядке соединить блоки и что не следует включать в основной текст. Мы разработали PereStruct -- модульный пайплайн для разбора исторических газет. Он объединяет детектор вёрстки на базе YOLO, Yandex Vision OCR, коррекцию ошибок с помощью моделей Yandex AI Studio и отдельную модель семантической сборки статей. Вместе с кодом мы публикуем размеченный датасет и бенчмарк, чтобы другие команды могли изучать подход и ставить эксперименты на исторических документах. Читать далее