جارٍ التحميل...
المدونة
شروحات مبسطة لأحدث الأبحاث التي تشكّل مستقبل OCR والذكاء الاصطناعي للمستندات.
قراءة في 13 دقيقةarXiv:2610.11148
SP-DocReader: خفض معدلات أخطاء OCR على Vary-600K إلى النصف بفضل اللعب الذاتي المدرك للفروقات
على نموذج Qwen3-VL-4B، يخفّض SP-DocReader معدل أخطاء الحروف على Vary-600K بنحو 54% مقارنةً بالضبط الدقيق الخاضع للإشراف لمدة حقبتين، وذلك عبر تدريب وحدة OCR مع إبقاء النموذج الأساسي مجمّدًا.
قراءة في 21 دقيقةarXiv:2610.11818
نماذج صغيرة وبيانات مهيكلة: هل يمكن لنماذج الرؤية واللغة (VLMs) الخفيفة استبدال واجهات السحاب البرمجية لاستخراج المستندات المعقدة؟
هل تستطيع النماذج البصرية بحجم 4B–7B استخراج بيانات JSON مهيكلة من أرشيفات غير منسقة باستخدام معالجات رسومية محلية؟ دراسة جديدة من جامعة FAU Erlangen تقيّم 8 نماذج VLM مفتوحة الأوزان عبر مجموعات جامعية.
قراءة في 10 دقيقة
أرسلنا صفحة بيضاء فارغة إلى 184 محركاً للتعرف الضوئي على الحروف.. وقرأها بعضها على أي حال
عندما تعرض صورة بيضاء فارغة بأبعاد 800×1000 بكسل على نماذج الرؤية الحديثة، تلتزم محركات OCR التقليدية الصمت، بينما تؤلف النماذج الأحدث رسائل عن الأطباق الطائرة، وقضايا من المحاكم الفيكتورية، وإعلانات لصحة الجهاز الهضمي.
قراءة في 17 دقيقةarXiv:2610.07091
توقف عن إرسال كل صفحة إلى النماذج البصرية: دروس مستفادة من باحثي Citigroup وEY وNVIDIA
مسودة بحثية حول استيعاب المستندات تكشف أن 92% من الصفحات في مجموعة بيانات داخلية تخطت التعرف الضوئي على مستوى الصفحة، وتشرح التقطيع المراعي للبنية، وتقيس أين يُستنزف وقت الاستخراج.
قراءة في 6 دقيقة
OpenOCR يرصد الآن النتائج الفارغة من Gemini 3.1 Flash-Lite ومن أي محرك يليه
يُرجع نموذج Gemini 3.1 Flash-Lite من Google أحيانًا نتيجة خالية من النص لصفحة قابلة للقراءة تمامًا مع الإبلاغ عن نجاح العملية؛ يرصد OpenOCR ذلك الآن عبر كافة المحركات، ويوضح لك السبب، ويحتفظ ببقية صفحات ملف الـ PDF، ولا يفرض عليك أبدًا تكلفة تتجاوز ما خصمه المزود.
قراءة في 14 دقيقةarXiv:2610.02880
تم العثور عليها لكن لم تُقرأ: لماذا لا تزال نماذج الرؤية واللغة بحاجة إلى تقنية التعرف الضوئي على الحروف (OCR)
أدت إضافة نصوص OCR المستخرجة عبر المعالج (CPU) إلى رفع دقة الإجابة عن أسئلة المستندات بمقدار 13 إلى 16 نقطة مئوية على معيار FoveDoc-Bench، كاشفةً عن فجوة بين استرجاع الأدلة واستخدامها الفعلي.
قراءة في 12 دقيقة
تقديم OpenOCR Stratify
نعمل على تصميم Stratify لتفكيك المستندات المعقدة إلى أجزاء قابلة للقراءة، واختيار الأدوات المناسبة لكل جزء، مع إبقاء كل نتيجة مرتبطة بمصدرها الأصلي.
قراءة في 15 دقيقةarXiv:2610.01191
تقسيم الكلمات المكتوبة بخط اليد باللغة البنغالية دون تعلم عميق: تحليل متعمق في معالجة الصور
كيف وظّف باحثو جامعة KUET تقنيات معالجة الصور التكيفية والعد التكراري للخطوط المحيطية لتقسيم الكلمات البنغالية المكتوبة بخط اليد على أوراق ملونة وتحت تأثير الظلال.
قراءة في 20 دقيقةarXiv:2609.40356
تحرير نصوص المشاهد في الفيديو ما زال يتعثر: كيف يكشف ViTeX-Bench عن المقايضات الصعبة
يختبر ViTeX-Bench الاستبدال الدقيق للنصوص في مقاطع الفيديو الواقعية، وتكشف نتائجه عن مقايضات معقدة بين صحة الحروف، وثبات الحركة، والحفاظ على المشهد الأصلي.
قراءة في 15 دقيقةarXiv:2609.28757
تدريب نموذج بصري بحجم 500M للملاحة يضاعف نتيجته في تقييم OCR-Bench بأكثر من الضعف
أجرى باحثون تدريباً لاحقاً لنموذج بصري-لغوي بحجم 500M لمساعدة المكفوفين وضعاف البصر، مما رفع درجته في OCR-Bench ANLS بنسبة 101.5% وأشار إلى إمكانية انتقال الإرساء المكاني إلى الاستدلال على النصوص المرئية.
قراءة في 13 دقيقةarXiv:2609.29240
كسر حلقة الهلوسة: كيف يختزل TOLA الدقة الفائقة لنصوص الانتشار إلى خطوة واحدة
يمكن لنماذج الانتشار توضيح النصوص المشوشة، غير أن التوزيع القبلي الخاطئ للنص قد يُرسخ محارف غير صحيحة أثناء الترميم التكراري؛ وهنا يعتمد TOLA على تنبؤ وحيد بالصورة، مقتطعاً زمن الاستدلال المُقاس من 9.95 ثانية إلى 132 ميلي ثانية.
قراءة في 10 دقيقةarXiv:2608.13783
طوال 14 عاماً، ظل ImageNet يُقيّم النماذج وفق نموذج إجابة معيب
كشفت إعادة توسيم جديدة لـ ImageNet-1k أن 12% من تسمياتها خاطئة وثلث الصور متعدد التسميات، وتصحيح ذلك يرفع الدقة بما يصل إلى 6 نقاط.
قراءة في 10 دقيقةarXiv:2608.12911
نموذج OCR الذي يخمن تاريخ ميلادك عندما يعجز عن قراءته
معيار تقييم جديد يُظهر أن نماذج الذكاء الاصطناعي للمستندات لا تكتفي بالقراءة الخاطئة لحقول الهوية غير الواضحة، بل تملؤها استنادًا إلى بيانات التدريب المحفوظة لديها، مما يؤدي إلى تسريب بيانات أشخاص حقيقيين.
قراءة في 8 دقيقةarXiv:2608.12898
لماذا لا يزال تصوير المستندات يربك معظم نماذج التعرف الضوئي على الحروف (OCR)؟
يعالج نموذج NaviDC-OCR المستندات الممسوحة ضوئياً والمصورة بالهاتف ضمن نموذج موحد، متصدياً لتحديات الصفحات الملتوية والجداول والمعادلات التي تُربك أدوات التحليل الحالية المعتمدة على نماذج الرؤية واللغة (VLMs).
قراءة في 12 دقيقةarXiv:2608.18957
نظرة متعمقة على مسار المعالجة الذي بنته هارفارد لـ 22.6 مليون صورة لاكتشاف الرسوم التي يتجاهلها الـ OCR
استخرج مسار هارفارد الجديد 22.6 مليون رسم توضيحي من مليون كتاب ممسوح ضوئياً، باستخدام نماذج بالغة الصغر بدلاً من النماذج البصرية اللغوية (VLMs) المكلفة.
قراءة في 9 دقيقةarXiv:2608.18696
مسار OCR تقليدي يتفوق للتو على Gemini وGPT وClaude في قراءة السنسكريتية
مسار معالجة مضبوط دقيقاً يجمع بين CRAFT وGNN وCTC يقرأ المخطوطات السنسكريتية التاريخية بدقة تفوق Gemini وGPT وClaude، بعد تصحيح ثلاث صفحات فقط.
قراءة في 8 دقيقةarXiv:2608.22366
تغذية مصحح الذكاء الاصطناعي بتخمين OCR رديء: متى يفيد ومتى يُفسد الصفحة
تخلص دراسة جديدة حول المخطوطات العربية إلى أن مبدأ «دع الذكاء الاصطناعي يُصلح مخرجات الـ OCR» لا ينجح إلا إذا كان تخمين الـ OCR قريباً بما يكفي ليكون جديراً بالثقة.
قراءة في 9 دقيقةarXiv:2608.22346
مجموعة بيانات الامتحانات التي تُصحِّح وفق سلالم تقييم محددة لا بالانطباعات العامة
مجموعة بيانات جديدة تجمع بين 485 إجابة امتحان ممسوحة ضوئيًا وسلالم التقييم الفعلية المستخدمة لتصحيحها، معيارًا تلو الآخر، بدلاً من الاكتفاء بدرجة نهائية فقط.
قراءة في 9 دقيقةarXiv:2608.26091
قراءة مخططات الطرق السريعة دون فقدان الرسم: نظرة على PlanSightRAG
نظام RAG جديد يتجاوز تقنية OCR تماماً ويجري الاستدلال مباشرة على صور المخططات، محققاً دقة استرجاع بلغت 91% على رسومات وزارات النقل (DOT).
قراءة في 14 دقيقةarXiv:2609.03445
المترجم البرمجي في حلقة المعالجة: كيف يستخدم نموذج DocEDR من Tencent التصيير لفحص أخطاء OCR وإصلاحها
يستخدم نموذج DocEDR من Tencent المخرجات المصيّرة لتشخيص أخطاء OCR وإصلاحها، رافعاً مقياس Case-F1 لتشخيص المعادلات بمقدار 30.99 نقطة مقارنة بنموذج DOCR-Inspector-7B.
قراءة في 17 دقيقةarXiv:2609.03595
إلى أين يمكن للبيانات الاصطناعية أن تأخذ تقنية OCR التايلاندية؟ نظرة داخل الوصفة التي حققت معدل خطأ في الأحرف (CER) وسطي بنسبة 1.24%
ساعد إعادة بناء المستندات الاصطناعية الخاضعة للرقابة نموذج OCR التايلاندي بحجم 0.9B على التفوق على Typhoon OCR 7B في مجموعات تقييم خمسة، مع قيود مهمة على الكتابة بخط اليد والأخطاء الشديدة.
قراءة في 12 دقيقةarXiv:2609.02486
توقف عن إدخال عشرة صفحات إلى نماذج اللغة البصرية الكبيرة: نظرة داخل الاسترجاع التكيفي الخالي من التدريب في ViSAR
يمكن أن يؤدي الاسترجاع البصري الثابت لأعلى k إلى إبطاء نماذج اللغة الكبيرة للرؤية وتدهور الدقة، بينما يستغل ViSAR هندسة المتجهات المتعددة لتقليل حجم السياق وخفض زمن الاستجابة بنسبة تصل إلى 58.7٪.
قراءة في 11 دقيقةarXiv:2608.31107
التحيز الخفي لأجهزة الالتقاط في معيار التعرف الضوئي على الحروف: ما يقيسه VeriCam عبر الأجهزة
تدرس دراسات VeriCam تحيز أجهزة الاستشعار في صور حركة المرور LPLCv2، باستخدام التحقق الزوجي وتجميع الرسوم البيانية لتجميع فئات أجهزة الاستشعار غير المعروفة.
قراءة في 12 دقيقةarXiv:2608.28248
تخطيطات اصطناعية، تحسين التعرف الضوئي على الحروف للغة اليابانية العمودية: داخل Synth-JDoc
يجمع Synth-JDoc بين تخطيطات HTML/CSS البرمجية والصور المُنشأة وتدهور المستندات لتحسين التعرف الضوئي على الحروف الياباني العمودي في أربعة من خمسة نماذج لغوية بصرية تم تقييمها.
قراءة في 8 دقيقةarXiv:2608.26921
المخطوطات العربية لا تُقرأ من الأعلى إلى الأسفل، والآن هناك مجموعة بيانات تعترف بذلك
AraMS-28k هو مجموعة بيانات مكونة من 28,600 سطر من المخطوطات العربية التاريخية الحقيقية التي أخيراً تخبر نماذج التعرف الضوئي على الحروف (OCR) أين تنتمي الهوامش فعلياً في النص.
قراءة في 9 دقيقةarXiv:2608.27169
قرأت الذكاء الاصطناعي خاتماً عمره 2000 عام وابتكر قصيدة
اختبار جديد يقيّم التعرف الضوئي على الحروف على 3000 عام من القطع الأثرية الصينية، حيث لا تتجاوز دقة أفضل نموذج 58%، ويهذي بثقة تامة.
قراءة في 8 دقيقةarXiv:2608.20011
عندما يجعل محاذاة نموذج الصورةه أسوأ في الإملاء
يُظهر بحث جديد سبب قدرة نماذج التدفق المُضبوطة على التفضيلات على الإضرار بصمت بالنص المُولّد، ويقدم حلاً لها بوساطة طريقة ترفع دقة التعرف الضوئي على الحروف بنسبة 47.5%.
قراءة في 9 دقيقةarXiv:2608.20122
معايير تقييم التعرف الضوئي على الحروف المصممة لجعل GPT-5 يفشل
يقرأ نموذج GPT-4o النصوص المشوّهة أو التي تحمل علامات مائية أو ممزوجة بالذكاء الاصطناعي بدقة تبلغ 23%. طريقة تدريب جديدة تضاعف هذه النسبة تقريباً ثلاث مرات دون الإضرار بوظائف التعرف الضوئي على الحروف (OCR) العادية.
قراءة في 7 دقيقةarXiv:2608.15698
لا يستطيع روبوت الدردشة الخاص بك العثور على الرسم البياني الذي يحتوي على الإجابة. تحاول هذه الورقة إصلاح ذلك.
يُعلّم ConceptFormer نماذج الاسترجاع العثور على الأدلة في الرسوم البيانية والتخطيطات، وليس فقط في النصوص، متفوقاً على كل من خطوط الأساس الخاصة بـ OCR والبصرية بفارق أرقام مزدوجة.
قراءة في 8 دقيقةarXiv:2607.27558
الذكاء الاصطناعي الذي يقرأ المخططات الهندسية كمهندس وليس كماسح ضوئي
يربط Drawing-Recode نصوص الأبعاد في مخططات CAD الممسوحة ضوئياً بالهندسة الدقيقة التي تقيسها، ثم يكتب كود CAD ثلاثي الأبعاد قابل للتحرير من النتيجة.
قراءة في 17 دقيقةarXiv:2607.27902
رقعة واحدة تكفي: كيف يتفوق نموذج ذو 2 مليار معلمة على GPT-5.4 في قراءة لافتات الشوارع
تفوق نموذج يحتوي على 2B معلمات على GPT-5.4 وClaude وGemini في قراءة لافتات الشوارع من خلال الإشارة إلى بقعة صورة واحدة بالضبط لكل كلمة.
قراءة في 9 دقيقةarXiv:2607.25390
الحيلة ذات الخطوة الواحدة التي قد تجعل نماذج الانتشار مفيدة فعلياً لـ OCR
يُظهر بحث جديد أن تمريراً واحداً حتمياً للانتشار، عند ضبطه بالطريقة الصحيحة، يتفوق على استعادة متعددة الخطوات الأبطأ في التصنيف والكشف والتعرف الضوئي على الحروف.
قراءة في 7 دقيقةarXiv:2607.24651
توقف عن طلب رسم المربعات من الذكاء الاصطناعي: طريقة أفضل لإثبات مصدر الإجابة
وجدت دراسة جديدة أن مطالبة نماذج الرؤية واللغة باستشهاد أدلتها بدلاً من رسم مربعات تحديد يضاعف تقريباً تكرار استشهادها بالجزء الصحيح من المستند.
قراءة في 8 دقيقةarXiv:2607.22200
نموذج OCR يقرأ هوامشك الفارغة، وهذا هو سبب بطئه
ورقة بحثية جديدة تقلل الرموز البصرية لـ OCR القائم على VLM بنسبة 50% عن طريق تعليم النموذج تجاهل الهوامش الفارغة، مع فقدان دقة شبه معدوم.
قراءة في 8 دقيقةarXiv:2607.15509
دخل ثلاثة نماذج للذكاء الاصطناعي وصممت شبكات OCR الخاصة بها من الصفر
أجرت نماذج GPT-5 وGPT-4o وClaude Sonnet 4 ما مجموعه 270 تجربة لتصميم شبكات خاصة بها للتعرف على الكتابة اليدوية، دون أي تدخل من مهندس بشري.
قراءة في 8 دقيقةarXiv:2607.17052
تخطي طبقات الرؤية يعمل، حتى تطلب منه قراءة النص
يكتشف البحث التطوري مسارات أرخص للرؤية لنماذج اللغة البصرية التي تتفوق على التقليم الساذج، لكن الاختصارات المصممة خصيصاً للمهمة قد تدمر دقة التعرف الضوئي على الحروف بصمت.
قراءة في 9 دقيقةarXiv:2607.19315
لماذا قد تضر عمليات المسح التي تبدو الأكثر ازدحاماً في مجموعة التدريب الخاصة بك بنموذج التعرف الضوئي على الحروف (OCR) الخاص بك
تقوم مقياس جديد بدون تسمية بعدد اتجاهات الميزات التي تنشطها الصورة، ويساعد التقليم بناءً عليه نماذج التعرف الضوئي على الحروف من خلال تقليل المستندات الأكثر ازدحاماً.
قراءة في 7 دقيقةarXiv:2607.20385
الفارسية لديها 110 مليون متحدث وبيانات OCR شبه معدومة. هذه الورقة تزيف 343,000 صفحة لإصلاح ذلك
مجموعة بيانات جديدة تزيف 343,000 صورة لوثائق فارسية لتصحيح أعمى نقاط ضعف التعرف الضوئي على الحروف: خط تتغير أشكال حروفه اعتماداً على جيرانه.
قراءة في 8 دقيقةarXiv:2607.18217
الذكاء الاصطناعي للفيديو الذي يجب أن يحصل على شعارك بشكل صحيح
ورقة بحثية جديدة لتوليد الفيديو تغذي مخرجات التعرف الضوئي على الحروف مباشرة إلى نموذج الانتشار حتى تتوقف شعارات المنتجات ونصوص الملصقات عن التحول إلى كتلة غير مقروءة.
قراءة في 9 دقيقةarXiv:2607.16060
هل يمكن للذكاء الاصطناعي رسم مخطط جميل لك دون الكذب بشأن البيانات؟
يُظهر معيار جديد أن نماذج الصور ترتكب أخطاءً روتينية في الرسوم البيانية الفنية، مثل ارتفاعات الأعمدة الخاطئة، والتسميات المشوشة، وسياقات غير متطابقة، ويختبر حلاً يحافظ على دقة الفن والرياضيات معاً.
قراءة في 10 دقيقةarXiv:2607.09068
مقياس الخرائط الذي يكتشف نماذج الذكاء الاصطناعي التي تزيف الرؤية
يُظهر OmniMapBench أن أفضل نماذج الذكاء الاصطناعي تتوقف عند 75% في أسئلة الخرائط، مما يكشف عن كيفية حل العديد من معايير التقييم "البصرية" سراً بالنص وحده.
قراءة في 8 دقيقةarXiv:2607.10400
لماذا تعجز قارئات المستندات الذكية عن التعامل مع ملفات PDF الطويلة
يُظهر معيار اصطناعي جديد أن أفضل نماذج الرؤية واللغة تتراجع بشكل ملحوظ في قراءة منتصف المستندات الطويلة، كما ينهار فهم الرسوم البيانية أيضاً.
قراءة في 8 دقيقةarXiv:2607.13458
السبب الخفي وراء تعثر تقنية التعرف الضوئي على الحروف مع النصوص المنحنية والمائلة
خدعة جديدة لترميز المواقع تعلم محولات التعرف الضوئي على الحروف التفكير في بعدين، وتقع المكاسب بالضبط حيث تتوقع: النصوص المنحنية والمدارة والمشوّهة.
قراءة في 8 دقيقةarXiv:2607.14041
أخصائي التعرف الضوئي على الحروف الذي لم يتدرب أبدًا لهذا العمل
ورقة بحثية جديدة توجه المخطوطات المانشو التاريخية إلى متخصصي التعرف الضوئي على الحروف حسب أسلوب الخط، وغالباً لم يتم تدريب أفضل خبير لكل أسلوب على ذلك الأسلوب.
قراءة في 9 دقيقةarXiv:2607.11192
المعيار الذي يفشل فيه أفضل نموذج للذكاء الاصطناعي بنسبة 85٪ من الوقت في ملف PDF
يختبر GDP.pdf الذكاء الاصطناعي على ملفات PDF احترافية حقيقية وليس مهام OCR تافهة. نجح أفضل نموذج في 15% من العناصر. إليك سبب أهمية هذه الفجوة.
قراءة في 8 دقيقةarXiv:2607.11562
لماذا النموذج المتميز في الصور سيء في قراءة فاتورتك
يدرب MonkeyOCRv2 مشفر الصور الخاص به على 113 مليون صورة وثيقة بدلاً من استعارة نموذج مُعد للقطط والسيارات، ويتفوق نموذج صغير بحجم 0.7B على منافس بحجم 3B.
قراءة في 9 دقيقةarXiv:2607.09488
الوجبة المجانية المخفية في مشفر الرؤية الخاص بك: ما يفعله SigLIP-HD بشكل صحيح
تقنية تدريب جديدة تجعل مشفرات الرؤية تقرأ النص بشكل أفضل بنفس الدقة ونفس تكلفة الاستدلال، دون الحاجة إلى صور أكبر.
قراءة في 6 دقيقةarXiv:2607.08014
مصنع لا يشارك صوره أبداً، لكنه لا يزال يتعلم قراءة الملصقات
يدرب FedTR نماذج التعرف الضوئي على الحروف عبر المصانع التي لا يمكنها مشاركة البيانات، محققاً دقة كلمة بنسبة 95.5% دون خروج صورة واحدة من المبنى.
قراءة في 8 دقيقةarXiv:2403.04473
TextMonkey: تعليم نموذج Vision-Language Model الإشارة إلى السطر الذي قرأه للتو
يتجاوز TextMonkey عملية OCR تماماً ويقرأ المستندات كصور، ثم يدعم كل إجابة بـ bounding box يوضح مكان البحث.
قراءة في 7 دقيقةarXiv:2309.11419
KOSMOS-2.5 من Microsoft: نموذج OCR واحد، ومهمتان مختلفتان تماماً
يقرأ نموذج KOSMOS-2.5 من Microsoft المستندات بطريقتين في آن واحد: OCR عبر bounding-box وإعادة بناء markdown كاملة، وذلك من خلال نموذج واحد بمعلمات تصل إلى 1.3B.
قراءة في 9 دقيقةarXiv:2502.18443
ملفات PDF الخاصة بك تساوي تريليونات من الـ Tokens. ومعظم مسارات عمل OCR تهدرها.
يوضح olmOCR كيف يمكن لنموذج رؤية 7B مضبوط بدقة أن يتفوق على GPT-4o في قراءة ملفات PDF، وبـ 1/35 من التكلفة لكل صفحة.
قراءة في 8 دقيقةarXiv:2109.10282
TrOCR: ماذا يحدث عندما تتخلى عن جميع قواعد الـ OCR التقليدية
تتخلى TrOCR من Microsoft تماماً عن CNNs وRNNs، حيث تستخدم اثنين من Transformers مسبقة التدريب للتفوق على نماذج OCR المتطورة بمسار عمل أبسط بكثير.
قراءة في 8 دقيقةarXiv:2409.01704
GOT-OCR2.0: نموذج بـ 580 مليون Parameter يقرأ النصوص، والمعادلات، والنوتات الموسيقية، والمخططات
GOT هو نموذج end-to-end يحتوي على 580 مليون parameter، يمكنه قراءة النصوص والرياضيات والجداول والنوتات الموسيقية والمخططات الكيميائية عبر نظام واحد موجه بالـ prompt، دون الحاجة إلى pipeline.
قراءة في 8 دقيقةarXiv:2111.15664
Donut يتجاوز الـ OCR تماماً، ومع ذلك لا يزال يقرأ إيصالاتك
يقرأ Donut المستندات دون تشغيل OCR أولاً؛ نظرة على كيف أدى تخطي التعرف على النصوص تماماً إلى التفوق على مسارات عمل OCR من حيث السرعة والدقة.
قراءة في 8 دقيقةarXiv:2308.13418
لماذا كانت أفضل أداة لتحويل PDF إلى رياضيات قبل Nougat تصيب المعادلات بنسبة أقل من 10% من المرات
يقوم نموذج Nougat من Meta بقراءة الأوراق الممسوحة ضوئياً وكتابة معادلات LaTeX مباشرة، متجاوزاً عمليات OCR وصناديق الإحاطة (bounding boxes) تماماً. إليكم كيف يتم ذلك، وأين تظهر نقاط ضعفه.
قراءة في 9 دقيقةarXiv:2412.02210
CC-OCR وضع تسعة من أفضل نماذج الذكاء الاصطناعي تحت الاختبار باستخدام 7,058 مستندًا حقيقيًا، ومعظمها فشل في الأساسيات
اختبر CC-OCR تسعة نماذج ذكاء اصطناعي متعددة الوسائط رائدة على وثائق حقيقية فوضوية، حيث واجهت حتى GPT-4o وGemini صعوبات في النصوص المائلة، والخطوط الأجنبية، وحلقات التكرار.