Tag · 2 篇
OCR
01 02
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。
共识熵：利用多 VLM 一致性实现自验证与自改进的 OCR
Consensus Entropy: Harnessing Multi-VLM Agreement for Self-Verifying and Self-Improving OCR
提出一种无需训练、模型无关的「共识熵」指标，用多个 VLM 在输出空间的一致性来估计单样本可靠性；做 VLM 输出筛选、伪标签清洗或集成解码时可直接复用该打分与自适应路由策略。