Tag · 2 篇
数据质量评估
分布 自监督与表征学习1视觉语言模型1
01 02
解锁强监督：通用音频预训练方法的数据中心研究
Unlocking Strong Supervision: A Data-Centric Study of General-Purpose Audio Pre-Training Methods
该论文的数据中心视角（高质量标注数据优先于预训练目标选择）对视觉预训练有直接借鉴意义：可复用其高保真标注生成流程与统一标签系统构建方法，并启示视觉领域在扩大预训练数据时优先提升数据质量与覆盖度。
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。