{
  "_comentario": "Corpus de prueba comparativa (PLAN.md §8). Solo dominio público o licencias libres. Cada PDF lleva, cuando existe, un texto de referencia INDEPENDIENTE del PDF (HTML o texto oficial del mismo documento) para medir calidad sin transcribir a mano. Los archivos se descargan con bench/scripts/descargar_corpus.py a bench/corpus/ (gitignored).",
  "documentos": [
    {
      "id": "wiki-en-alice",
      "pdf": "https://en.wikipedia.org/api/rest_v1/page/pdf/Alice%27s_Adventures_in_Wonderland",
      "referencia": {"tipo": "wikipedia", "lang": "en", "titulo": "Alice's Adventures in Wonderland"},
      "licencia": "CC BY-SA 4.0 (texto); imágenes con licencia propia",
      "categorias": ["digital", "una-columna", "imagenes", "ingles"],
      "fase": 1
    },
    {
      "id": "wiki-es-quijote",
      "pdf": "https://es.wikipedia.org/api/rest_v1/page/pdf/Don_Quijote_de_la_Mancha",
      "referencia": {"tipo": "wikipedia", "lang": "es", "titulo": "Don Quijote de la Mancha"},
      "licencia": "CC BY-SA 4.0 (texto); imágenes con licencia propia",
      "categorias": ["digital", "una-columna", "imagenes", "espanol"],
      "fase": 1
    },
    {
      "id": "wiki-fr-miserables",
      "pdf": "https://fr.wikipedia.org/api/rest_v1/page/pdf/Les_Mis%C3%A9rables",
      "referencia": {"tipo": "wikipedia", "lang": "fr", "titulo": "Les Misérables"},
      "licencia": "CC BY-SA 4.0 (texto); imágenes con licencia propia",
      "categorias": ["digital", "una-columna", "frances"],
      "fase": 1
    },
    {
      "id": "wiki-de-goethe",
      "pdf": "https://de.wikipedia.org/api/rest_v1/page/pdf/Johann_Wolfgang_von_Goethe",
      "referencia": {"tipo": "wikipedia", "lang": "de", "titulo": "Johann Wolfgang von Goethe"},
      "licencia": "CC BY-SA 4.0 (texto); imágenes con licencia propia",
      "categorias": ["digital", "una-columna", "aleman"],
      "fase": 1
    },
    {
      "id": "wiki-ar-alf-layla",
      "pdf": "https://ar.wikipedia.org/api/rest_v1/page/pdf/%D8%A3%D9%84%D9%81_%D9%84%D9%8A%D9%84%D8%A9_%D9%88%D9%84%D9%8A%D9%84%D8%A9",
      "referencia": {"tipo": "wikipedia", "lang": "ar", "titulo": "ألف ليلة وليلة"},
      "licencia": "CC BY-SA 4.0 (texto); imágenes con licencia propia",
      "categorias": ["digital", "una-columna", "arabe", "rtl"],
      "fase": 2
    },
    {
      "id": "wiki-ja-genji",
      "pdf": "https://ja.wikipedia.org/api/rest_v1/page/pdf/%E6%BA%90%E6%B0%8F%E7%89%A9%E8%AA%9E",
      "referencia": {"tipo": "wikipedia", "lang": "ja", "titulo": "源氏物語"},
      "licencia": "CC BY-SA 4.0 (texto); imágenes con licencia propia",
      "categorias": ["digital", "una-columna", "japones", "cjk"],
      "fase": 2
    },
    {
      "id": "arxiv-olmo",
      "pdf": "https://arxiv.org/pdf/2402.00838v4",
      "referencia": {"tipo": "arxiv-html", "url": "https://arxiv.org/html/2402.00838v4"},
      "licencia": "CC BY 4.0",
      "categorias": ["digital", "dos-columnas", "tablas", "notas-al-pie", "figuras", "academico"],
      "fase": 2
    },
    {
      "id": "arxiv-mistral",
      "pdf": "https://arxiv.org/pdf/2310.06825v1",
      "referencia": {"tipo": "arxiv-html", "url": "https://arxiv.org/html/2310.06825v1"},
      "licencia": "CC BY 4.0",
      "categorias": ["digital", "una-columna", "figuras", "academico", "corto"],
      "fase": 1
    },
    {
      "id": "arxiv-qlora",
      "pdf": "https://arxiv.org/pdf/2305.14314v1",
      "referencia": {"tipo": "arxiv-html", "url": "https://arxiv.org/html/2305.14314v1"},
      "licencia": "CC BY 4.0",
      "categorias": ["digital", "una-columna", "tablas", "notas-al-pie", "academico", "largo"],
      "fase": 2
    },
    {
      "id": "fedreg-2026-22443",
      "pdf": "https://www.govinfo.gov/content/pkg/FR-2026-11-03/pdf/2026-22443.pdf",
      "referencia": {"tipo": "govinfo-pre", "url": "https://www.govinfo.gov/content/pkg/FR-2026-11-03/html/2026-22443.htm"},
      "nota_referencia": "federalregister.gov bloquea las descargas automáticas (página «Request Access»); govinfo sirve el mismo texto oficial en <pre>.",
      "licencia": "Dominio público (obra del Gobierno de EE. UU.)",
      "categorias": ["digital", "tres-columnas", "encabezados-repetidos", "notas-al-pie"],
      "fase": 2
    },
    {
      "id": "govinfo-911-report",
      "pdf": "https://www.govinfo.gov/content/pkg/GPO-911REPORT/pdf/GPO-911REPORT.pdf",
      "referencia": null,
      "licencia": "Dominio público (obra del Gobierno de EE. UU.)",
      "categorias": ["digital", "libro", "capitulos", "encabezados-repetidos", "notas-finales", "largo", "carga"],
      "fase": 1
    },
    {
      "id": "govinfo-constitution",
      "pdf": "https://www.govinfo.gov/content/pkg/CDOC-110hdoc50/pdf/CDOC-110hdoc50.pdf",
      "referencia": null,
      "licencia": "Dominio público (obra del Gobierno de EE. UU.)",
      "categorias": ["digital", "libro", "encabezados-repetidos", "indice"],
      "fase": 1
    },
    {
      "id": "govinfo-erp-2024",
      "pdf": "https://www.govinfo.gov/content/pkg/ERP-2024/pdf/ERP-2024.pdf",
      "referencia": null,
      "licencia": "Dominio público (obra del Gobierno de EE. UU.)",
      "categorias": ["digital", "libro", "tablas", "graficos", "recuadros", "notas-al-pie", "largo"],
      "fase": 2
    },
    {
      "id": "gutenberg-calculus",
      "pdf": "https://www.gutenberg.org/files/33283/33283-pdf.pdf",
      "referencia": {"tipo": "gutenberg-html", "url": "https://www.gutenberg.org/files/33283/33283-h/33283-h.htm"},
      "nota_referencia": "Libro hecho en LaTeX: Gutenberg no publica .txt, solo HTML.",
      "licencia": "Dominio público en EE. UU. (Project Gutenberg; su marca solo con su licencia)",
      "categorias": ["digital", "libro", "capitulos", "encabezados-repetidos", "notas-al-pie", "formulas"],
      "fase": 2
    },
    {
      "id": "ia-alice-1867",
      "pdf": "https://archive.org/download/alicesadventu00carr/alicesadventu00carr.pdf",
      "referencia": {"tipo": "gutenberg", "url": "https://www.gutenberg.org/cache/epub/11/pg11.txt"},
      "licencia": "Dominio público (1867; escaneo de University of Toronto en Internet Archive)",
      "categorias": ["escaneado", "capa-ocr", "libro", "capitulos", "ilustraciones"],
      "fase": "escaneados",
      "nota": "Referencia de otra edición (Gutenberg, 1865): sirve para recall, no para precisión exacta."
    }
  ]
}