本次赛题围绕保险扫描文档的OCR识别与智能问答展开，提供含票据等20多种类型的扫描文件数据集，含训练集5000余张图片及4万余个问答标注，测试集1000张左右图片及7000个问题。基线采用两阶段处理，先用PaddleOCR识别文本，再用PaddleNLP通过抽取式阅读理解得出答案，还给出了模型训练等相关内容及示例问答。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

赛题简介

• 在寿险、产险、健康险等保险的理赔流程和客户服务环节中，存在大量扫描文档，例如医疗票据、费用清单、病例等。
• 对这些扫描文档进行文字检测与识别，并且提取出结构化信息，可以用于极速理赔、个人健康管理等业务场景。
• 本次赛题将提供扫描文件数据集，参赛队利用OCR技术自动识别影像资料后，再通过AI智能判断所识别文字的内在逻辑，回答关于图片的自然语言问题。
• 问题的答案是可以从图片中提取的任何文本/标记。

数据简介

• 本次大赛提供的数据集使用的扫描文件类型包括票据、说明、报告等20 多种。混合了印刷、打字和手写的内容。
• 训练集有5000余张左右原始扫描文件及对应的 4万余个自然语言问答标注。提供的数据均已做了标注及脱敏。
• 训练集数据包括：
  • image：包含所有原始扫描文件图像
  • train.csv：问答训练库，包含序号（index）、问题 ID(quesiton_id)、图片名称(filename)、问题（question_text)、答案(answer_text)，共 5 列
  • readme：数据说明文档
• 测试集数据规模为1000张左右原始扫描文件及对应的7000个自然语言问题，数据内容样例同训练集。
• 测试集包含以下3个文件：
  • image：包含所有原始扫描文件图像
  • test1.csv：问答测试库，包含序号（index）、问题 ID(quesiton_id)、图片路径(filename)、问题（question_text)，共 4 列
  • readme：数据说明文档

数据样例

• 样例一：

                 

  • 提问：西药费的金额是多少？ 回答：140.16 提问：140.16元购买了什么药品？ 回答：{甲}缘沙坦胶囊{基}

• 样例二：

  美图云修

  商业级AI影像处理工具

  50 查看详情

                 

  • 提问：这是一份关于什么药品的说明？ 回答：十三味疏肝胶囊 提问：药品的有效期是多久？ 回答：1.5年

基线总体架构

• 基线项目使用的是两阶段的处理方式：
  • PaddleOCR：图像 ==OCR==> 文本信息
  • PaddleNLP：文本信息 + 问题 ==抽取式阅读理解==> 答案

安装依赖包

• PaddleOCR：GitHub、Gitee
• PaddleNLP：GitHub、Gitee

In [ ]

!pip install paddleocr==2.0.4 paddlenlp==2.0.0rc18

   

解压官方数据集

• 如果需要自行处理数据，可以使用下方的命令进行解压

In [ ]

# !tar -xf data/data83016/dataset.tar -C data

   

数据集预处理

• 使用 PaddleOCR 识别图片中的文本信息，将其作为抽取式阅读理解的文章
• 并将数据格式转换为 SQuAD 格式，方便后续 PaddleNLP 读取使用
• 处理完成的数据集以存放于 AIStudio 数据集中，可以直接挂载使用
• 如果需要重新生成数据集的话，可以运行下面的命令，处理需耗时一个半小时左右，请耐心等待

In [ ]

# !python gen_dataset.py

   

模型训练

• 基于 PaddleNLP 开发的抽取式阅读理解
• 更多详细介绍请参考：『NLP经典项目集』08: 使用预训练模型完成阅读理解

In [1]

!mkdir /home/aistudio/checkpointimport paddleimport paddlenlp as ppnlpfrom functools import partialfrom paddlenlp.data import Stack, Dict, Padfrom utils import prepare_train_features, prepare_validation_features, evaluate############参数配置################ 模型名称MODEL_NAME = "ernie-1.0"# 最大文本长度max_seq_length = 512# 文本滑动窗口步幅doc_stride = 128# 训练过程中的最大学习率learning_rate = 3e-5 # 训练轮次epochs = 1# 数据批次大小batch_size = 8# 学习率预热比例warmup_proportion = 0.1# 权重衰减系数，类似模型正则项策略，避免模型过拟合weight_decay = 0.01#############模型################# 加载模型model = ppnlp.transformers.ErnieForQuestionAnswering.from_pretrained(MODEL_NAME)# 加载 tokenizertokenizer = ppnlp.transformers.ErnieTokenizer.from_pretrained(MODEL_NAME)#############数据################ 加载数据集train_ds = ppnlp.datasets.load_dataset('dureader_robust', data_files='data/data83268/train.json')
dev_ds = ppnlp.datasets.load_dataset('dureader_robust', data_files='data/data83268/dev.json')# 数据滑窗处理train_trans_func = partial(prepare_train_features, 
                           max_seq_length=max_seq_length, 
                           doc_stride=doc_stride,
                           tokenizer=tokenizer)

train_ds.map(train_trans_func, batched=True)

dev_trans_func = partial(prepare_validation_features, 
                           max_seq_length=max_seq_length, 
                           doc_stride=doc_stride,
                           tokenizer=tokenizer)
                           
dev_ds.map(dev_trans_func, batched=True)# 数据读取器配置train_batch_sampler = paddle.io.DistributedBatchSampler(
        train_ds, batch_size=batch_size, shuffle=True)

train_batchify_fn = lambda samples, fn=Dict({    "input_ids": Pad(axis=0, pad_val=tokenizer.pad_token_id),    "token_type_ids": Pad(axis=0, pad_val=tokenizer.pad_token_type_id),    "start_positions": Stack(dtype="int64"),    "end_positions": Stack(dtype="int64")
}): fn(samples)

train_data_loader = paddle.io.DataLoader(
    dataset=train_ds,
    batch_sampler=train_batch_sampler,
    collate_fn=train_batchify_fn,
    return_list=True)

dev_batch_sampler = paddle.io.BatchSampler(
    dev_ds, batch_size=batch_size, shuffle=False)

dev_batchify_fn = lambda samples, fn=Dict({    "input_ids": Pad(axis=0, pad_val=tokenizer.pad_token_id),    "token_type_ids": Pad(axis=0, pad_val=tokenizer.pad_token_type_id)
}): fn(samples)

dev_data_loader = paddle.io.DataLoader(
    dataset=dev_ds,
    batch_sampler=dev_batch_sampler,
    collate_fn=dev_batchify_fn,
    return_list=True)#############优化器配置############## 学习率策略num_training_steps = len(train_data_loader) * epochs
lr_scheduler = ppnlp.transformers.LinearDecayWithWarmup(learning_rate, num_training_steps, warmup_proportion)# Generate parameter names needed to perform weight decay.# All bias and LayerNorm parameters are excluded.decay_params = [
    p.name for n, p in model.named_parameters()    if not any(nd in n for nd in ["bias", "norm"])
]# 设置优化器optimizer = paddle.optimizer.AdamW(
    learning_rate=lr_scheduler,
    parameters=model.parameters(),
    weight_decay=weight_decay,
    apply_decay_param_fun=lambda x: x in decay_params)#############损失函数################class CrossEntropyLossForSQuAD(paddle.nn.Layer):
    def __init__(self):
        super(CrossEntropyLossForSQuAD, self).__init__()    def forward(self, y, label):
        start_logits, end_logits = y   # both shape are [batch_size, seq_len]
        start_position, end_position = label
        start_position = paddle.unsqueeze(start_position, axis=-1)
        end_position = paddle.unsqueeze(end_position, axis=-1)
        start_loss = paddle.nn.functional.softmax_with_cross_entropy(
            logits=start_logits, label=start_position, soft_label=False)
        start_loss = paddle.mean(start_loss)
        end_loss = paddle.nn.functional.softmax_with_cross_entropy(
            logits=end_logits, label=end_position, soft_label=False)
        end_loss = paddle.mean(end_loss)

        loss = (start_loss + end_loss) / 2
        return loss#############模型训练################# 实例化 losscriterion = CrossEntropyLossForSQuAD()
global_step = 0# 训练for epoch in range(1, epochs + 1):    for step, batch in enumerate(train_data_loader, start=1):
        global_step += 1
        input_ids, segment_ids, start_positions, end_positions = batch
        logits = model(input_ids=input_ids, token_type_ids=segment_ids)
        loss = criterion(logits, (start_positions, end_positions))        if global_step % 100 == 0 :            print("global step %d, epoch: %d, batch: %d, loss: %.5f" % (global_step, epoch, step, loss))
        loss.backward()
        optimizer.step()
        lr_scheduler.step()
        optimizer.clear_grad()

    evaluate(model=model, data_loader=dev_data_loader) 

# 保存model.s*e_pretrained('/home/aistudio/checkpoint')
tokenizer.s*e_pretrained('/home/aistudio/checkpoint')

       

[2025-04-22 20:48:38,873] [    INFO] - Already cached /home/aistudio/.paddlenlp/models/ernie-1.0/ernie_v1_chn_base.pdparams
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/layers.py:1303: UserWarning: Skip loading for classifier.weight. classifier.weight is not found in the provided dict.
  warnings.warn(("Skip loading for {}. ".format(key) + str(err)))
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/dygraph/layers.py:1303: UserWarning: Skip loading for classifier.bias. classifier.bias is not found in the provided dict.
  warnings.warn(("Skip loading for {}. ".format(key) + str(err)))
[2025-04-22 20:48:42,972] [    INFO] - Found /home/aistudio/.paddlenlp/models/ernie-1.0/vocab.txt

       

global step 100, epoch: 1, batch: 100, loss: 5.33133
global step 200, epoch: 1, batch: 200, loss: 2.81528
global step 300, epoch: 1, batch: 300, loss: 1.96900
global step 400, epoch: 1, batch: 400, loss: 1.99122
global step 500, epoch: 1, batch: 500, loss: 2.26535
global step 600, epoch: 1, batch: 600, loss: 1.91357
global step 700, epoch: 1, batch: 700, loss: 1.60655
global step 800, epoch: 1, batch: 800, loss: 1.76000
global step 900, epoch: 1, batch: 900, loss: 1.13124
global step 1000, epoch: 1, batch: 1000, loss: 1.72126
global step 1100, epoch: 1, batch: 1100, loss: 1.89857
global step 1200, epoch: 1, batch: 1200, loss: 1.47760
global step 1300, epoch: 1, batch: 1300, loss: 1.70778
global step 1400, epoch: 1, batch: 1400, loss: 1.30835
global step 1500, epoch: 1, batch: 1500, loss: 2.72890
global step 1600, epoch: 1, batch: 1600, loss: 1.84454
global step 1700, epoch: 1, batch: 1700, loss: 3.09311
global step 1800, epoch: 1, batch: 1800, loss: 1.83173
global step 1900, epoch: 1, batch: 1900, loss: 1.07240
global step 2000, epoch: 1, batch: 2000, loss: 1.33060
global step 2100, epoch: 1, batch: 2100, loss: 1.04376
global step 2200, epoch: 1, batch: 2200, loss: 1.63946
global step 2300, epoch: 1, batch: 2300, loss: 2.03573
global step 2400, epoch: 1, batch: 2400, loss: 1.47289
global step 2500, epoch: 1, batch: 2500, loss: 1.08369
global step 2600, epoch: 1, batch: 2600, loss: 1.38365
global step 2700, epoch: 1, batch: 2700, loss: 1.71040
global step 2800, epoch: 1, batch: 2800, loss: 1.26852
global step 2900, epoch: 1, batch: 2900, loss: 2.52206
global step 3000, epoch: 1, batch: 3000, loss: 1.91332
global step 3100, epoch: 1, batch: 3100, loss: 1.47257
global step 3200, epoch: 1, batch: 3200, loss: 1.06718
global step 3300, epoch: 1, batch: 3300, loss: 1.79864
global step 3400, epoch: 1, batch: 3400, loss: 1.58367
global step 3500, epoch: 1, batch: 3500, loss: 0.83910
global step 3600, epoch: 1, batch: 3600, loss: 1.63214
global step 3700, epoch: 1, batch: 3700, loss: 3.27789
global step 3800, epoch: 1, batch: 3800, loss: 1.13076
global step 3900, epoch: 1, batch: 3900, loss: 1.18562
global step 4000, epoch: 1, batch: 4000, loss: 0.91027
global step 4100, epoch: 1, batch: 4100, loss: 0.81818
global step 4200, epoch: 1, batch: 4200, loss: 1.16851
global step 4300, epoch: 1, batch: 4300, loss: 1.64349
global step 4400, epoch: 1, batch: 4400, loss: 1.51092
global step 4500, epoch: 1, batch: 4500, loss: 2.32444
global step 4600, epoch: 1, batch: 4600, loss: 1.04382
global step 4700, epoch: 1, batch: 4700, loss: 1.18952
global step 4800, epoch: 1, batch: 4800, loss: 1.08606
global step 4900, epoch: 1, batch: 4900, loss: 1.37461
global step 5000, epoch: 1, batch: 5000, loss: 1.14658
global step 5100, epoch: 1, batch: 5100, loss: 1.24930
global step 5200, epoch: 1, batch: 5200, loss: 0.97293
global step 5300, epoch: 1, batch: 5300, loss: 1.39240
global step 5400, epoch: 1, batch: 5400, loss: 1.52307
global step 5500, epoch: 1, batch: 5500, loss: 1.01953
global step 5600, epoch: 1, batch: 5600, loss: 1.54944
global step 5700, epoch: 1, batch: 5700, loss: 1.86738
global step 5800, epoch: 1, batch: 5800, loss: 1.54679
global step 5900, epoch: 1, batch: 5900, loss: 2.57512
global step 6000, epoch: 1, batch: 6000, loss: 1.68195
global step 6100, epoch: 1, batch: 6100, loss: 2.33640
global step 6200, epoch: 1, batch: 6200, loss: 1.33415
global step 6300, epoch: 1, batch: 6300, loss: 1.53034
global step 6400, epoch: 1, batch: 6400, loss: 2.18684
global step 6500, epoch: 1, batch: 6500, loss: 1.03164
global step 6600, epoch: 1, batch: 6600, loss: 1.31069
global step 6700, epoch: 1, batch: 6700, loss: 1.56807
global step 6800, epoch: 1, batch: 6800, loss: 0.98548
global step 6900, epoch: 1, batch: 6900, loss: 0.99514
global step 7000, epoch: 1, batch: 7000, loss: 0.98318
global step 7100, epoch: 1, batch: 7100, loss: 1.00131
global step 7200, epoch: 1, batch: 7200, loss: 0.95227
global step 7300, epoch: 1, batch: 7300, loss: 1.08113
global step 7400, epoch: 1, batch: 7400, loss: 0.82864
global step 7500, epoch: 1, batch: 7500, loss: 2.03780
global step 7600, epoch: 1, batch: 7600, loss: 1.08267
global step 7700, epoch: 1, batch: 7700, loss: 1.19368
global step 7800, epoch: 1, batch: 7800, loss: 1.13193
global step 7900, epoch: 1, batch: 7900, loss: 0.86742
global step 8000, epoch: 1, batch: 8000, loss: 1.33992
global step 8100, epoch: 1, batch: 8100, loss: 2.19699
global step 8200, epoch: 1, batch: 8200, loss: 0.98966
global step 8300, epoch: 1, batch: 8300, loss: 0.91852
global step 8400, epoch: 1, batch: 8400, loss: 0.98416
global step 8500, epoch: 1, batch: 8500, loss: 0.93930
global step 8600, epoch: 1, batch: 8600, loss: 1.14956
global step 8700, epoch: 1, batch: 8700, loss: 0.98243
global step 8800, epoch: 1, batch: 8800, loss: 1.07073
global step 8900, epoch: 1, batch: 8900, loss: 0.87538
global step 9000, epoch: 1, batch: 9000, loss: 1.29235
global step 9100, epoch: 1, batch: 9100, loss: 1.42117
global step 9200, epoch: 1, batch: 9200, loss: 2.06677
global step 9300, epoch: 1, batch: 9300, loss: 1.20705
global step 9400, epoch: 1, batch: 9400, loss: 1.14359
global step 9500, epoch: 1, batch: 9500, loss: 0.92873
global step 9600, epoch: 1, batch: 9600, loss: 1.21142
global step 9700, epoch: 1, batch: 9700, loss: 1.35645
global step 9800, epoch: 1, batch: 9800, loss: 1.16116
global step 9900, epoch: 1, batch: 9900, loss: 1.08292
global step 10000, epoch: 1, batch: 10000, loss: 1.59773
global step 10100, epoch: 1, batch: 10100, loss: 1.01784
global step 10200, epoch: 1, batch: 10200, loss: 0.67115
global step 10300, epoch: 1, batch: 10300, loss: 1.47989
global step 10400, epoch: 1, batch: 10400, loss: 1.01132
global step 10500, epoch: 1, batch: 10500, loss: 0.97569
global step 10600, epoch: 1, batch: 10600, loss: 1.14948
global step 10700, epoch: 1, batch: 10700, loss: 2.03889
global step 10800, epoch: 1, batch: 10800, loss: 1.08176
global step 10900, epoch: 1, batch: 10900, loss: 0.78584
global step 11000, epoch: 1, batch: 11000, loss: 2.09304
global step 11100, epoch: 1, batch: 11100, loss: 2.07693
global step 11200, epoch: 1, batch: 11200, loss: 1.08243
global step 11300, epoch: 1, batch: 11300, loss: 1.74269
global step 11400, epoch: 1, batch: 11400, loss: 2.41344
global step 11500, epoch: 1, batch: 11500, loss: 0.73077
global step 11600, epoch: 1, batch: 11600, loss: 0.81114
global step 11700, epoch: 1, batch: 11700, loss: 1.29751
global step 11800, epoch: 1, batch: 11800, loss: 1.33166
global step 11900, epoch: 1, batch: 11900, loss: 0.89963
global step 12000, epoch: 1, batch: 12000, loss: 0.94474
global step 12100, epoch: 1, batch: 12100, loss: 1.06279
global step 12200, epoch: 1, batch: 12200, loss: 1.91975
global step 12300, epoch: 1, batch: 12300, loss: 1.00609
global step 12400, epoch: 1, batch: 12400, loss: 1.47376
global step 12500, epoch: 1, batch: 12500, loss: 1.03436
global step 12600, epoch: 1, batch: 12600, loss: 1.01267
global step 12700, epoch: 1, batch: 12700, loss: 1.22741
global step 12800, epoch: 1, batch: 12800, loss: 1.01167
global step 12900, epoch: 1, batch: 12900, loss: 2.15446
global step 13000, epoch: 1, batch: 13000, loss: 0.77935
global step 13100, epoch: 1, batch: 13100, loss: 1.25362
global step 13200, epoch: 1, batch: 13200, loss: 1.98043
global step 13300, epoch: 1, batch: 13300, loss: 1.87204
global step 13400, epoch: 1, batch: 13400, loss: 1.13598
global step 13500, epoch: 1, batch: 13500, loss: 1.03505
global step 13600, epoch: 1, batch: 13600, loss: 0.94357
global step 13700, epoch: 1, batch: 13700, loss: 0.98602
global step 13800, epoch: 1, batch: 13800, loss: 0.88241
global step 13900, epoch: 1, batch: 13900, loss: 1.53893
global step 14000, epoch: 1, batch: 14000, loss: 1.36677
global step 14100, epoch: 1, batch: 14100, loss: 1.08053
global step 14200, epoch: 1, batch: 14200, loss: 1.37873
global step 14300, epoch: 1, batch: 14300, loss: 0.66778
global step 14400, epoch: 1, batch: 14400, loss: 2.18860
global step 14500, epoch: 1, batch: 14500, loss: 1.57532
global step 14600, epoch: 1, batch: 14600, loss: 0.99812
global step 14700, epoch: 1, batch: 14700, loss: 0.86738
global step 14800, epoch: 1, batch: 14800, loss: 1.23389
global step 14900, epoch: 1, batch: 14900, loss: 1.15881
global step 15000, epoch: 1, batch: 15000, loss: 1.03445
global step 15100, epoch: 1, batch: 15100, loss: 0.88822
global step 15200, epoch: 1, batch: 15200, loss: 1.13733
global step 15300, epoch: 1, batch: 15300, loss: 1.28856
global step 15400, epoch: 1, batch: 15400, loss: 1.17445
global step 15500, epoch: 1, batch: 15500, loss: 1.28670
global step 15600, epoch: 1, batch: 15600, loss: 2.49681
global step 15700, epoch: 1, batch: 15700, loss: 1.19437
global step 15800, epoch: 1, batch: 15800, loss: 1.06376
global step 15900, epoch: 1, batch: 15900, loss: 0.98734
global step 16000, epoch: 1, batch: 16000, loss: 1.17667
global step 16100, epoch: 1, batch: 16100, loss: 1.28779
global step 16200, epoch: 1, batch: 16200, loss: 1.05283
global step 16300, epoch: 1, batch: 16300, loss: 1.62172
global step 16400, epoch: 1, batch: 16400, loss: 0.92708
global step 16500, epoch: 1, batch: 16500, loss: 0.95624
global step 16600, epoch: 1, batch: 16600, loss: 1.29848
global step 16700, epoch: 1, batch: 16700, loss: 1.27211
global step 16800, epoch: 1, batch: 16800, loss: 1.17851
global step 16900, epoch: 1, batch: 16900, loss: 1.28291
global step 17000, epoch: 1, batch: 17000, loss: 1.08720
global step 17100, epoch: 1, batch: 17100, loss: 1.08356
global step 17200, epoch: 1, batch: 17200, loss: 1.00867
Processing example: 1000
time per 1000: 11.201786994934082
Processing example: 2000
time per 1000: 11.235816478729248
Processing example: 3000
time per 1000: 10.834845066070557
Processing example: 4000
time per 1000: 11.04150128364563
Processing example: 5000
time per 1000: 11.004519701004028
Processing example: 6000
time per 1000: 11.003149509429932
Processing example: 7000
time per 1000: 11.149619340896606
{
  "exact": 56.03663613655287,
  "f1": 72.53400335174827,
  "total": 1201,
  "HasAns_exact": 56.03663613655287,
  "HasAns_f1": 72.53400335174827,
  "HasAns_total": 1201
}

问题： 本次医保范围支付多少钱？
原文： 54020292北京市医疗网珍收费票据医保已世结發部监NO财16139-54-02实时结算：★医疗机构类型：交易流水号：2411000107180415993045社会保障卡号40096415918041502915城镇工男医保类型：单价数量单位业务流水号：性别：15380等级项目／规格姓名：金额有自作数量/单位鸡7500单价中成药贸6.2Y项目规格无自付：复方甲氧那明胶/48粒23.75001/瓶12.E200西药费收都联153.8000付jia酸左氧沙星/0.116.2G00无苏黄止咳囊/Q.45g2粒76.90002/津有效遣夫不北京市财政局印制·20172收费专用道172.32自付一17232000172.32起村金额17.750.G0衣饮医保范内金狮1332.51封顶金额0.00门诊大额支付0.0自付二0.累计医供内范金额190.07退体补充支付0.00年门诊大额票计支付0.白费个人支付金额陵军补财支付0.00190.070.09本饮支付后·个人账户余额单位补充险[原公疗]支付个人账户支付0.00基金支情2合计（大写收款人收款单位（章）
答案： 172.32

问题： 9260是什么的编号？
原文： 54020292北京市医疗网珍收费票据医保已世结發部监NO财16139-54-02实时结算：★医疗机构类型：交易流水号：2411000107180415993045社会保障卡号40096415918041502915城镇工男医保类型：单价数量单位业务流水号：性别：15380等级项目／规格姓名：金额有自作数量/单位鸡7500单价中成药贸6.2Y项目规格无自付：复方甲氧那明胶/48粒23.75001/瓶12.E200西药费收都联153.8000付jia酸左氧沙星/0.116.2G00无苏黄止咳囊/Q.45g2粒76.90002/津有效遣夫不北京市财政局印制·20172收费专用道172.32自付一17232000172.32起村金额17.750.G0衣饮医保范内金狮1332.51封顶金额0.00门诊大额支付0.0自付二0.累计医供内范金额190.07退体补充支付0.00年门诊大额票计支付0.白费个人支付金额陵军补财支付0.00190.070.09本饮支付后·个人账户余额单位补充险[原公疗]支付个人账户支付0.00基金支情2合计（大写收款人收款单位（章）
答案： 收款单位

问题： 图7是表达什么的？
原文： 东莞证券DONGGUANSECURITIES盛达资源（000603）深度报告45720062003.5520042002.53200222001.5112000.52002008-01-022013-11-022015-01-022015-08-022016-03-022016-10-022017-05-022017-12-022018-07-022019-02-022008-08-022010-12-022012-02-022012-09-022013-04-022014-06-022019-09-022009-10-022010-05-022011-07-022009-03-022025-04-022222SS30202Q90010S20C20美国：所有联储银行：资产：总资产美国：国债收益率：10年美国：联邦基金利率（日）美国：所有联储银行：资产：持有证券：美国国债资料来源：wind，东莞证券研究所资料来源：wind，东莞证券研究所图7：美国国债总额迅速增加（十亿美元）图8：美元流动性危机解除280005.0025.00260004.50240004.0020.00220003.503.002000015.002.50180002.001600010.00140001.501.00120005.00100000.5080000.002012-02-022013-11-022015-01-022016-03-022011-07-022013-04-022014-06-022015-08-022016-10-022017-05-022017-12-022008-01-022010-12-022012-09-022009-10-022010-05-022018-07-022008-08-022009-03-022019-02-022019-09-022012-09-022018-07-022008-01-022009-03-022009-10-022010-05-022010-12-022011-07-022012-02-022013-04-022013-11-022014-06-022015-08-022016-03-022017-05-022017-12-022019-02-022019-09-022025-04-022015-01-022016-10-022008-08-022025-04-02美国：国债总额-LIBOR：美元：3个月-美国：国债收益率：3个月M2同比增速（季调，右轴资料来源：wind，东莞证券研究所资料来源：wind，东莞证券研究所4.2.2美元处于下行通道，驱动黄金价格上行美国在疫情未受控情况下，强行重启经济，新冠新增感染人数仍在高位，市场对美国经济修复是否通畅存有忧虑。西欧及日本疫情率先于美国得到控制，美元相对欧元、英锈走弱。美国实施规模空前的财政刺激，导致政府负债迅速攀升，美元信用度下降美元指数下行将驱动以美元计价的黄金价格走高。图9：美国新冠新增感染人数仍在高位（人/日）图10：欧、日、美新冠新增感染人数（人/日）17请务必阅读末页声明。
答案： 美国国债总额迅速增加（十亿美元）

问题： 图8是说明什么的？
原文： 东莞证券DONGGUANSECURITIES盛达资源（000603）深度报告45720062003.5520042002.53200222001.5112000.52002008-01-022013-11-022015-01-022015-08-022016-03-022016-10-022017-05-022017-12-022018-07-022019-02-022008-08-022010-12-022012-02-022012-09-022013-04-022014-06-022019-09-022009-10-022010-05-022011-07-022009-03-022025-04-022222SS30202Q90010S20C20美国：所有联储银行：资产：总资产美国：国债收益率：10年美国：联邦基金利率（日）美国：所有联储银行：资产：持有证券：美国国债资料来源：wind，东莞证券研究所资料来源：wind，东莞证券研究所图7：美国国债总额迅速增加（十亿美元）图8：美元流动性危机解除280005.0025.00260004.50240004.0020.00220003.503.002000015.002.50180002.001600010.00140001.501.00120005.00100000.5080000.002012-02-022013-11-022015-01-022016-03-022011-07-022013-04-022014-06-022015-08-022016-10-022017-05-022017-12-022008-01-022010-12-022012-09-022009-10-022010-05-022018-07-022008-08-022009-03-022019-02-022019-09-022012-09-022018-07-022008-01-022009-03-022009-10-022010-05-022010-12-022011-07-022012-02-022013-04-022013-11-022014-06-022015-08-022016-03-022017-05-022017-12-022019-02-022019-09-022025-04-022015-01-022016-10-022008-08-022025-04-02美国：国债总额-LIBOR：美元：3个月-美国：国债收益率：3个月M2同比增速（季调，右轴资料来源：wind，东莞证券研究所资料来源：wind，东莞证券研究所4.2.2美元处于下行通道，驱动黄金价格上行美国在疫情未受控情况下，强行重启经济，新冠新增感染人数仍在高位，市场对美国经济修复是否通畅存有忧虑。西欧及日本疫情率先于美国得到控制，美元相对欧元、英锈走弱。美国实施规模空前的财政刺激，导致政府负债迅速攀升，美元信用度下降美元指数下行将驱动以美元计价的黄金价格走高。图9：美国新冠新增感染人数仍在高位（人/日）图10：欧、日、美新冠新增感染人数（人/日）17请务必阅读末页声明。
答案： 美元流动性危机解除

问题： 文中上面的四张图的资料来源都是哪里？
原文： 东莞证券DONGGUANSECURITIES盛达资源（000603）深度报告45720062003.5520042002.53200222001.5112000.52002008-01-022013-11-022015-01-022015-08-022016-03-022016-10-022017-05-022017-12-022018-07-022019-02-022008-08-022010-12-022012-02-022012-09-022013-04-022014-06-022019-09-022009-10-022010-05-022011-07-022009-03-022025-04-022222SS30202Q90010S20C20美国：所有联储银行：资产：总资产美国：国债收益率：10年美国：联邦基金利率（日）美国：所有联储银行：资产：持有证券：美国国债资料来源：wind，东莞证券研究所资料来源：wind，东莞证券研究所图7：美国国债总额迅速增加（十亿美元）图8：美元流动性危机解除280005.0025.00260004.50240004.0020.00220003.503.002000015.002.50180002.001600010.00140001.501.00120005.00100000.5080000.002012-02-022013-11-022015-01-022016-03-022011-07-022013-04-022014-06-022015-08-022016-10-022017-05-022017-12-022008-01-022010-12-022012-09-022009-10-022010-05-022018-07-022008-08-022009-03-022019-02-022019-09-022012-09-022018-07-022008-01-022009-03-022009-10-022010-05-022010-12-022011-07-022012-02-022013-04-022013-11-022014-06-022015-08-022016-03-022017-05-022017-12-022019-02-022019-09-022025-04-022015-01-022016-10-022008-08-022025-04-02美国：国债总额-LIBOR：美元：3个月-美国：国债收益率：3个月M2同比增速（季调，右轴资料来源：wind，东莞证券研究所资料来源：wind，东莞证券研究所4.2.2美元处于下行通道，驱动黄金价格上行美国在疫情未受控情况下，强行重启经济，新冠新增感染人数仍在高位，市场对美国经济修复是否通畅存有忧虑。西欧及日本疫情率先于美国得到控制，美元相对欧元、英锈走弱。美国实施规模空前的财政刺激，导致政府负债迅速攀升，美元信用度下降美元指数下行将驱动以美元计价的黄金价格走高。图9：美国新冠新增感染人数仍在高位（人/日）图10：欧、日、美新冠新增感染人数（人/日）17请务必阅读末页声明。
答案： wind，东莞证券研究所

       

以上就是保险文本视觉认知问答竞赛（Baseline）的详细内容，更多请关注其它相关文章！

# 联储  # 杭州seo优化品质优良  # 抖音做营销推广怎么做好  # 济源知名seo电话公司  # 大兴安岭抖音关键词排名  # 话题营销推广活动  # 威海网站拓客推广电话  # 广州快速优化网站  # 营销推广计划表格式  # 网站建设目标和功能介绍  # 崇州企业网站优化费用  # 自然语言  # 阅读理解  # python  # 黄金价格  # 北京市  # 中文网  # 西欧  # 个月  # 东莞  # 美国  # type  # udio  # 医保  # ai  # git 

相关栏目： 【 行业资讯67740 】 【 技术百科0 】 【 网络运营39195 】

相关推荐： 如何通过命令检测u盘启动  j*a map数组怎么取值  企业征信不好如何恢复 企业征信不好怎么恢复步骤  热水器没热水显示power是什么意思  新固态硬盘如何装系统  如何查看bash内置的命令  如何找出命令行  怎么在爱奇艺中投屏到电视最新方法  春运订票什么时候抢票  如何用dos命令分区  datediff快捷函数怎么用  税负是什么意思  怎么打印数组j*a  power在充电器上是什么意思  typescript适合什么用  win7如何打开命令行窗口  一尺是多少厘米  负市盈率是什么意思  混合固态硬盘如何分区  typescript怎么判断单选按钮  苹果16有哪些变化尺寸  双十一的哪一天最优惠呢  单片机怎么发送can 信号  1tb等于多少mb  如何在昇腾Ascend 910B上运行Qwen2.5教程  typescript卸载不掉怎么办  夸克缺什么登录不了  苹果16更新了哪些软件  360手机壁纸怎么改  怎么关360壁纸广告  市盈率中1stdv是什么意思  typescript是什么类型的语言  typescript解决了什么  2026年将会大爆发的15个新科技  苹果16会有哪些更新  awk命令如何对两列加分隔符  命令不执行如何处理  怎么看手机是不是双模5g手机  折叠屏手机哪个牌子性价比高  vivo手机爱奇艺怎么投屏到电视操作步骤  苹果16将会带来哪些升级  今天是农历多少号  a03怎么根据编号找文链接入口  春运抢票还用取票吗  linux环境中如何使用ping命令  如何拍屏幕不出条纹详细方法  市盈率为负值是什么意思  夸克加载什么要会员  如何以命令符运行程序  没基础做单片机怎么样