两阶段检测识别

PP-OCRv5：一个 500 万参数的专用模型在 OCR 任务上媲美十亿参数视觉语言模型

PP-OCRv5: A Specialized 5M-Parameter Model Rivaling Billion-Parameter Vision-Language Models on OCR Tasks

对做视觉研究的人而言，这篇论文给出了一个可复用的结论：在 OCR 这类结构化文本任务上，用数据难度、标注准确度、数据多样性三个维度做数据筛选与配比，可以让 5M 参数的两阶段检测+识别流水线逼近十亿参数 VLM，同时定位更准、幻觉更少；做 VLM 文本定位或幻觉抑制时，可把数据侧优化作为对照基线。