为什么这件事不能只靠工具
难点不在识别，在判定把结构图转成机器可读格式的工具已经不少，公开评测里的表现也不差。但到了真实生产环境，差距全部出现在「不规整」的那部分数据上。
一项覆盖专利与论文的评测显示：表格类专利的结构与标识符识别准确率约 95%；而非表格专利的结构识别约 80%、标识符约 75%。论文类文档的标识符提取超过 99%，结构识别则落在 78–80%。
还有一类更隐蔽的问题：模型可能输出语法合法、但化学价态并不成立的结构，例如五价碳。这类结果不会抛异常，只会安静地进入训练集，等模型行为出现异常时才被回溯发现。
所以真正的难点不在「识别」，在「判定」——图中那个取代基是不定型结构还是绘制错误？Markush 通式的变量定义究竟覆盖了哪些化合物？扫描件上模糊的键线该按哪种解释？这些要靠化学背景来判断，不是把模型指标再提高两个点能解决的。
这类任务的数据集该按什么结构来构造、边界样本为什么最难获得，我们在专栏里写过一篇：PEN 数据集。
我们做的不是人力外包式的标注
差别不在价格，在交付物- 按框选、打标签计件结算
- 只交付一份标注结果
- 出错靠事后抽检发现
- 无法回答「这条为什么这样标」
- Schema 由客户单方面给定，边界靠猜
- 先与算法团队共建 Schema，定义字段、类型、粒度与边界
- 交付数据集 + 标注规范 + 质检报告 + 溯源日志
- 三级质检：自动检测 → 团队复核 → 领域专家仲裁
- 每条数据可回溯到原文位置、标注人与修改时间
- 边界案例回写成规范，下一批不再重复踩
交付流程
四步一线 · 全程留痕交付物
拿到的不是一份标注结果- 结构化数据集：JSON / CSV / Excel，字段与 Schema 一一对应；结构以 SMILES、InChI 输出
- 标注规范文档：字段定义、边界案例、验收标准
- 质检报告：抽检比例、错误分类、返修记录
- 溯源日志：每条数据对应原文位置、标注人、修改时间
相关案例
真实交付场景化合物全称、Markush、不定型结构、复杂取代基的识别与结构绘制修正，覆盖化学与化工领域的专利与文献数据。
OCSR结构绘制Markush常见问题
合作前常被问到的问题自动识别工具已经能做了，为什么还需要人工？
公开评测显示，自动工具在表格类专利上表现较好，但非表格专利与论文中的结构识别准确率明显下降；同时模型会输出语法合法、化学价态却不成立的结构。这类结果不会报错，只会静默进入训练集。因此工具适合出初稿，判定必须由化学背景的人来做。
能处理 Markush 通式和不定型结构吗？
可以。Markush 通式的变量定义、取代基范围与不定型结构（聚合物、混合物、晶型未定等）都在处理范围内。我们会按项目约定记录变量取值边界与不确定项，而不是强行归一为单一结构。
扫描件、低清晰度专利页可以处理吗？
可以。模糊键线、跨页结构、图注与正文分离等情况由专家结合上下文判定，并在溯源日志中标注该条目的判定依据与置信状态。
输出哪些格式？
结构以 SMILES / InChI 输出，同时保留结构图与实体—关系记录；数据集整体以 JSON / CSV / Excel 交付，字段与共建的 Schema 一一对应。
数据保密怎么保证？
项目启动前签署 NDA 并锁定人员授权名单；数据在客户指定环境或隔离域内处理，不出域、不二次利用、不用于训练自有模型；按约定周期删除原始与中间数据，操作日志可导出核查。详见 数据合规六条。
继续阅读
相关页面材料专利里的结构式与配方常常同页出现，两条流程可以合并执行。
按行业方向与具体任务，查看我们目前提供的全部解决方案。