跳到主要内容
检索

# 光学字符识别

3 篇关联报道

订阅更新
  1. arXiv

    SP-DocReader 用差异感知自博弈把 Qwen3-VL-4B 的 Vary-600K 字符错误率从 2.40 降到 1.11

    SP-DocReader 提出一种面向文档 OCR 的自博弈框架,用最长公共子序列对齐参考文本与模型生成文本,只在未匹配位置施加对比式相对评分与直接负对数似然监督,且仅训练 OCR 模块、冻结视觉编码器与语言主干;在 Qwen3-VL-4B 与 InternVL-3.5-4B 上,三轮自博弈相对两轮监督微调降低了 Vary-600K 字符错误率,并在 DocBank、IIT-CDIP 及 DocVQA、InfographicVQA 上取得改进。

  2. Universal Doc AI:融合OCR、RAG与LLM的通用智能文档管理系统

    本文提出并描述了 Universal Doc AI 这一多模态智能文档管理系统,将光学字符识别(OCR)、检索增强生成(RAG)、向量语义检索与大语言模型(LLM)整合为统一平台,对用户上传的PDF、扫描件、图像与手写笔记进行文本抽取、语义分块、向量索引与基于文档内容的对话式问答,并报告在检索准确率、回答相关性与交互效率上相较传统关键词检索有所提升。

  3. arXiv

    用OCR头把图像语义“说出来”:视觉语言模型中的泛化言语化头与言语化透镜

    该研究在四个视觉语言模型(Qwen3-VL-2B、Qwen3-VL-8B、Molmo2-7B、Llava-Next-34B)中定位出对OCR因果必要的注意力头,发现它们其实是通用的“言语化头”,把这些头的输出-值(OV)矩阵求和构成一个“言语化透镜”后,可在任意层(包括第0层)把图像token的隐藏状态解码为可解释的语义词,并可用其伪逆构造概念向量来编辑图像表征(如把“拖拉机”替换为“左轮手枪”),从而为“图像表征在早期层就与语言空间对齐”提供了证据。

已读完全部报道