PolyOCR-Venus为以文本为中心的视觉智能提供统一光学字符识别基础模型.

超级描述:PolyOCR-Venus 2B和 9B模型统一了OCR任务,使用CGPO培训,在OCRBench v2.1英语和中文上得分 80.42和 78.37,并在CC-OCR上获得 82.43 .

标签:PolyOCR-Venus, OCR模型,CGPO,OCRBench v2.1,CC-OCR

首选图片:抽象的技术风格,包括文档网格,边界框和神经网络节点.

PolyOCR-Venus已被介绍为一系列光学字符识别 (OCR) 模型,用于读取,定位,解析和对图像中的文本进行推理.该版本很重要,因为它将多个常见的文件处理任务放置在一个指令遵循框架中,减少了把每个任务视为单独的管道的需求.

背景:五个OCR任务的一个接口

OCR 工作负载通常分为不同的阶段:一个系统读取文本,另一个系统定位它,另一种系统解析文档结构,另外一种系统提取特定字段,还有一种系统对内容进行推理.PolyOCR-Venus 将这些功能作为共享接口.

2B 和 9B 模型涵盖文本识别,接地,文件解析,信息提取和OCR推理在相同的指令后设置中.这为项目提供了通常由不同类型模型处理的任务的共同表面.

发展过程:培训使用教师指导

该培训方法被称为能力-Guided Policy Optimization,或CGPO.它将GRPO与政策蒸.结合起来.

该方法调整每个样本的教师监督,而不是在每一个例子中应用相同的指导.它权衡了教师可靠性和不断变化的老师-学生能力差距.换句话说,根据指导是否有用以及学生在特定情况下与老师之间的亲密关系,学生模型会受到更多或更少的影响.

最新进展:适度模型尺寸的结果

报告的结果集中在紧.型号尺寸上. OCRBench v2.1 的英语侧PolyOCR-9B分数 80.42和中国方面 78.37 . 在CC-OCR中,它在三个评估轨道中的得分 82.43,不包括多语言OCR.

在MDPBench上有一个专门的 2.7B 多语言版本.

评估层也受到重视. OCRBench v2.1通过手动验证修改了 2,449 的样本,并引入了针对任务的评分以实现更可靠的测量.

目前阶段:共享OCR框架和修订的基准

目前,PolyOCR-Venus处于两个发展的交叉点:一个设计用于通过一个接口处理多个 OCR 任务的模型家族,以及为了更一致的评估而手动修订的一个基准.下一步要关注的是 2B, 9B, 和 2.7B 多语言变体在他们的共享任务界面被测试到更多 OCR组合时如何表现.