通用端到端OCR模型开源，拒绝多模态大模型降维打击

在AI-2.0时代，OCR模型的研究难道到头了吗！？

（OCR：一种将图像中的文字转换为可编辑和可搜索文本的技术）

Vary作者团队开源了第一个迈向OCR-2.0的通用端到端模型GOT。

用实验结果向人们证明：No~No~No~

GOT模型效果如何？

话不多说，直接上效果图：

最常用的PDF image转markdown能力

双栏文本感知能力

自然场景以及细粒度OCR能力

动态分辨率OCR能力

多页OCR能力

更多符号的OCR能力

研究团队称，尽管GOT模型表现不错，但也存在一些局限，如更多的语言支持，更复杂的几何图，chart上的OCR性能。

他们说OCR-2.0的研究还远的很，GOT也还有不小提升空间（该项目在数据和算力资源上都是非常受限的）。

正是因为深知GOT以及OCR-2.0的潜力，我们希望通过开源GOT吸引更多的人，放弃VQA，再次投向强感知。都说纯OCR容易背锅，但也正好说明做的不够work，不是吗？

GOT: Towards OCR-2.0

通用OCR模型须要够通用，体现在输入输出都要通用上。

GOT的通用具体表现为：在输入方面，模型支持Scene Text OCR、Document OCR、Fine-grAIned OCR、More General OCR等任务。

通用OCR模型须“通用”

输出方面，模型同时支持plain texts输出以及可读性强、可编辑的formatted文本输出，如markdown等。

模型的结构和训练方法，采用vision encoder+input embedding layer+decoder的pipeline。

Encoder主体采用带local attention的VITDet架构，不会让CLIP方案的全程global attention在高分辨率下激活太大，炸显存。

Encoder后两层采用Vary的双卷积设计方案。整个Encoder将1024×1024×3的图像压缩为256×1024的image tokens，足以做好A4纸级别的dense OCR。

GOT结构与训练流程图

研究团队将整个训练过程分为三个步骤，没有一个阶段锁LLM，过程中没有存在图像到文本的对齐阶段，进而导致损害image token的文字压缩率。

三个训练阶段分别为：

第一阶段：高效预训练encoder，GOT在整个训练过程中，没有A100级别的卡，为了节省资源，该阶段使用小型OPT-125M作为decoder为encoder提供优化方向，快速灌入大量数据。

第二阶段：联合训练encoder-decoder，该阶段GOT的基本结构搭建完成，为上一阶段预训练好的encoder，以及Qwen团队预训练好的Qwen0.5B。

研究团队稍稍加大了decoder的大小，因为该阶段需要喂入大量OCR-2.0的知识，而不少数据（如化学式的OCR）其实也是带点reasoning的，不过更小的decoder他们未敢尝试。

第三阶段：锁住encoder，加强decoder以适配更多的OCR应用场景，如支持坐标或者颜色引导的细粒度OCR（点读笔可能会用到），支持动态分辨率OCR技术（超大分辨率图可能会用到），多页OCR技术。

该feature主要是为了后续follower能更好地训练Arxiv这种数据，我们的设想是多页PDF直接训练，无须再对.tex断页而苦恼！

面对整个GOT模型设计中最困难的数据工程环节。研究团队为了构造各种各样的数据，还学习了众多数据渲染工具，包括Latex，Mathpix-markdown-it，Matplotlib，Tikz，Verovio， Pyecharts等等。

GOT使用到的数据渲染工具

OCR的研究才刚刚开始

关于为什么在大模型相互梭哈的时代继续研究OCR？

研究团队有他们自己的理由：

OCR一直是离落地最近的研究方向之一，是AI-1.0时代的技术结晶。

到了以LLM（LVLM）为核心的AI-2.0时代，OCR成了多模大模型的一项基本能力，各家模型甚至有梭哈之势。

多模态大模型作为通用模型，总有种降维打击OCR模型的感觉。

那么纯OCR的研究真的到头了吗？我们想说：当然没有！没准才刚刚开始。

首先盘一下AI-1.0 OCR系统和LVLM OCR的缺点：

首先是AI-1.0流水线式的OCR系统，缺点不用多说，各个模块比较独立，局部最优，维护成本也大。

最重要的是不通用，不同OCR任务需路由不同模型，不太方便。

那么多模态大模型在pure OCR任务上有什么缺陷呢？我们认为有以下两点：

1、为Reasoning让路必然导致image token数量过多，进而导致在纯OCR任务上存在bottle-neck。

Reasoning（VQA-like）能力来自LLM（decoder），要想获得更好的VQA能力（至少在刷点上），就要充分利用起LLM来，那么image token就得越像text token（至少高维上，这样就会让LLM更舒服）。

试想一下，100个text token在LLM词表上能编码多少文字？那么一页PDF的文字，又需要多少token呢？不难发现，保VQA就会导致在做OCR任务上，尤其是dense OCR任务上，模型搞得比较丑陋。

例如，一页PDF图片只有A4纸大小，很多LVLM要都需要切图做OCR，切出几千个image token。单张都要切图，拿出多页PDF拼接图，阁下又当如何应对？

我们认为对于OCR模型这么多token大可不必。

2、非常直观的一点就是模型太大，迭代困难。

要想引入新OCR feature如支持一项新语言，不是SFT一下就能训进模型的，得打开vision encoder做pre-training或者post-training，这都是相当耗资源的。

对于OCR需求来说太浪费了。

有人会说，小模型能同时做好这么多OCR任务吗？

我们的答案是肯定的，而且甚至还能更好

文章来自于“量子位”，作者“Vary团队”。