إلى أين يمكن للبيانات الاصطناعية أن تأخذ تقنية OCR التايلاندية؟ نظرة داخل الوصفة التي حققت معدل خطأ في الأحرف (CER) وسطي بنسبة 1.24%
استنادًا إلى: How Far Can Synthetic Data Take Thai OCR? — Kunat Pipatanakul
لغز يجب أن يقلق أي شخص يدرب نماذج رؤية الوثائق: خذ وثائق إنجليزية عامة، امسح نصوصها، ترجم معظم التسميات إلى التايلاندية، أعيد عرضها في المناطق الأصلية، ثم درب مُعرِّف OCR. بعد ذلك، خذ وثائق تايلاندية حقيقية، امسح نصوصها، أعيد عرض تسميات OCR التايلاندية الخاصة بها في تلك التخطيطات الأصلية، ثم درب نفس بنية النموذج.
أي نموذج يؤدي أداءً أفضل على الوثائق التايلاندية الحقيقية؟
إذا توقعت الوثائق التايلاندية الأصلية، فستكون على صواب إذا كان نموذجك يقرأ الصفحات بأكملها دفعة واحدة. أما إذا كان نموذجك يعالج مناطق مُقتطعة (cropped regions)، فستكون على خطأ في هذه التجربة. ففي التدريب على مستوى الاقتطاع، تفوق النموذج الذي تم تغذيته بمصادر إنجليزية مُعادة البناء على النموذج المدرب على مصادر تايلاندية مُعادة البناء، مسجلاً معدل خطأ حرفي وسيط بنسبة 5.52% مقابل 15.59% على صفحات مطبوعة محجوزة للاختبار.
هذا الانقلاب هو أحد النتائج المفاجئة في التقرير الفني "How Far Can Synthetic Data Take Thai OCR?" (إلى أي مدى يمكن للبيانات الاصطناعية أن تأخذ OCR التايلاندية؟) من تأليف كونات بيباتاناكول (Kunat Pipatanakul) من Wayu Research و Paxa Labs. بدلاً من التعامل مع "الواقعية" الاصطناعية كمكون واحد، يفصل الورقة بين الطباعة، والتخطيط المكاني، والسياق غير النصي، وتباين الرموز الحرفية (glyphs)، ثم تختبر كيف تتغير مساهماتهم مع إعداد التدريب.
النتيجة العملية هي Wayu-Paxa-OCR-Zero، وهو نموذج بحجم 0.9 مليار معلمة مُعدّل من PaddleOCR-VL-1.6 باستخدام 45,723 صفحة اصطناعية. في التقييمات المبلغ عنها، يخفض هذا التعديل معدل الخطأ الحرفي الوسيط على الصفحات المطبوعة من 6.64% إلى 1.24%، ويقلل خطأ الكتابة اليدوية من 74.87% إلى 20.55%، ويتفوق على Typhoon OCR v1 7B عبر جميع مجموعات التقييم الخمس.
يحتاج وصف "البيانات الاصطناعية فقط" إلى حد دقيق: لا يستخدم التعديل أي صفحات وثائق تايلاندية حقيقية كصور مصدر، ولا يستخدم إشراف OCR على مستوى الصفحة من تلك الوثائق. لكنه يستخدم رموز كتابة يدوية حقيقية ومقتطفات كتابة يدوية من iApp. كما أنه يبني على نقطة تفتيش مُسبقة التدريب موجودة مسبقاً.
لنغوص في ما يجعل هذه الوصفة الاصطناعية تعمل، وأين تتوقف مكاسبها، وما تقترحه النتائج لأنابيب معالجة الوثائق.
النص البرمجي الذي يتحدى نماذج المستندات
تبدأ الورقة من تغطية لغوية غير متساوية. تركز نماذج المستندات المفتوحة، ومجموعات البيانات، والمعايير القياسية على اللغتين الإنجليزية والصينية، بينما تتوفر تسميات مستندات موثوقة ومتاحة بشكل مفتوح للغة التايلاندية بعدد أقل.
ثلاثة تفاصيل تجعل مشكلة الإشراف ذات صلة بشكل خاص هنا:
- تعدد مستويات وضع النص: يمكن أن تشغل حروف العلة التايلاندية وعلامات النبرة عدة مستويات عمودية. يحتاج العرض إلى مراعاة النص المشكّل بالكامل، بما في ذلك تلك العلامات.
- تسميات مستخرجة غير مثالية: يمكن أن يؤدي استخراج النص من ملفات PDF والتسميات الزائفة الناتجة عن التعرف الضوئي على الحروف (OCR) إلى حذف أحرف، أو إعادة ترتيب العلامات المدمجة، أو تشويه ترتيب القراءة. التصحيح اليدوي مكلف.
- تباين المظهر: تعرض خطوط الطباعة والكتابة اليدوية الحقيقية المُعرِّف إلى أشكال حروف مختلفة. تختبر التجارب ما إذا كانت تنوع الخطوط ورموز الكتابة اليدوية المأخوذة من العينات تساعد في سد هذه الفجوة.
يوفر إعادة البناء الاصطناعي ميزة مفيدة: يعرف المُصيِّغ النص الذي يضعه والمناطق التي يستخدمها. وهذا يمنح خط أنابيب التدريب تسميات مرتبطة مباشرة بالمحتوى المُولَّد، بدلاً من مطالبة شخص بنسخ كل صفحة منتهية.
لكن التسميات المُولَّدة بدقة لا تضمن نجاح النقل. يمكن للنموذج أن يتعلم من صفحة اصطناعية ومع ذلك يواجه صعوبة مع المستندات الحقيقية. وبالتالي، فإن السؤال المركزي في الورقة دقيق للغاية: أي خصائص الصفحة المُولَّدة تساعد فعلياً؟
كما تميز الورقة بين معنيين للإشراف الاصطناعي. تعيد بعض التجارب الخاضعة للرقابة بناء صفحات تايلاندية حقيقية باستخدام تسميات OCR الخاصة بها. بينما تستخدم وصفة Wayu-Paxa-OCR-Zero النهائية بدلاً من ذلك وثائق مصدر عامة باللغة الإنجليزية، مع إدخال نصوص تايلاندية ومواد كتابة يدوية أثناء التوليد.
هذه ظروف بيانات مختلفة، والحفاظ على فصلها أمر أساسي لفهم النتائج.
إعادة البناء المتحكم به: تشريح الصفحة الاصطناعية
يقدم بيباتاناكول خط أنابيب لإعادة البناء في المكان نفسه، مرتبط في الورقة باسم docaug. يبدأ بصفحة مصدرية ومناطق نصية مُعلَّمة، ويمسح أو يعيد رسم (inpaint) وحدات البكسل النصية الأصلية، ثم يعيد عرض التسمية البديلة في المنطقة المقابلة لها.
يمنح هذا النهج التجارب تحكماً في خمس خصائص:
- نطاق المصدر: إعادة بناء صفحات إنجليزية عامة من DocLayNet وCrello وPubTabNet مقابل صفحات مطبوعة تايلاندية حقيقية.
- سياق غير نصي: الاحتفاظ بخلفيات المصدر والعناصر غير النصية مقابل استبدالها بالأبيض مع الاحتفاظ بالمناطق النصية.
- تنوع الطباعة: أخذ عينات من ملف خط تايلاندي مُقاس مقابل استخدام خط واحد فقط.
- تخطيط ثنائي الأبعاد: الحفاظ على الترتيب الأصلي مقابل تكديس المناطق عمودياً حسب ترتيب القراءة.
- سحب الكتابة اليدوية: عرض خطوط الكتابة اليدوية مقابل أخذ عينات من حالات أحرف حقيقية من بنك الرموز.
ترجم مجموعة البيانات خارج النطاق معظم نص المصدر إلى التايلاندية. تحتفظ نسبة 7.61% المتبقية من الصفحات بتسمياتها الإنجليزية، مما يحاكي نسبة اللغة الإنجليزية في المجموعة المطبوعة التايلاندية الحقيقية.
يُعد تركيب النص جزءاً حاسماً من العملية. يشكل خط الأنابيب كل تسمية كاملة على مستوى المنطقة باستخدام HarfBuzz، ويأخذ عينات من خط وحجم نوع، ويصغر الحجم حتى يتناسب النص مع منطقته الأصلية. إذا تجاوزت التسمية الحدود عند الحد الأدنى المقبول للحجم، يتم رفض الصفحة بأكملها.
النتيجة هي طريقة متحكم بها لتغيير مظهر صفحات التدريب مع الاحتفاظ بالتسميات المعروفة وهندسة المناطق.
المفاجآت: ما يهم وما هو مجرد ضوضاء
باستخدام Qwen3-VL-2B-Instruct كمنصة تجريبية، يقارن المؤلف بين التدريب على مستوى الصفحة والتدريب على مستوى المقاطع (crop-level). تجري عملية الإزاحة للعوامل (ablation) الخاصة بخصائص المصدر إزالة السياق غير النصي، وتنوع الخطوط، ثم التخطيط ثنائي الأبعاد بشكل تدريجي.
هذه التسلسلية مهمة: الصف الأخير يجمع بين الإزاحات الثلاث معاً. ولا يمكن عزو الفرق بينه وبين إعادة البناء الكاملة للتخطيط وحده.
1. السياق غير النصي له تأثير متسق ضئيل هنا
عندما تستبدل عملية إعادة البناء الخلفيات، والأشكال، والقواعد، وآثار المسح الضوئي بقطعة قماش بيضاء (White-layout)، يتغير الأداء الوسيط بشكل طفيف نسبياً. وعلى مدى مجموعات التقييم الثلاث وإعدادي التدريب، يتغير معدل الخطأ الحرفي الوسيط بمقدار 1.62 نقطة مئوية كحد أقصى.
في صفحات Heldout المطبوعة، يؤدي إزالة السياق غير النصي إلى تغيير معدل الخطأ الحرفي الوسيط على مستوى الصفحة من 5.07% إلى 4.78%، ومعدل الخطأ الحرفي الوسيط على مستوى المقطع من 5.52% إلى 4.86%.
أما المتوسط المرجح بالأحرف فهو أقل اتساقاً. ففي التعرف المطبوع على مستوى الصفحة، يرتفع من 16.90% إلى 21.05%، حتى مع تحسن الوسيط. وفي ظل التدريب على مستوى المقطع، ينخفض من 19.09% إلى 16.69%.
الاستنتاج المدعوم أضيق من عبارة "الخلفيات لا تهم". فالسياق غير النصي المحفوظ يوفر فائدة متسقة قليلة في معدل الخطأ الحرفي في تجارب إعادة البناء هذه. ولا تختبر الدراسة بشكل منفصل كل نوع من أنواع تلف الورق المحاكى، أو تأثيرات الإضاءة، أو تدهور النص نفسه.
2. تنوع الخطوط يساعد في نقل الكتابة بخط اليد
يقوم المؤلف بتحليل ملف 8,000 صفحة PDF تايوانية عامة ويجد توزيعاً مركزياً لأنماط الخطوط. ومن بين 693 عائلة خطوط مُلاحظة، تمثل العشر الأوائل 80.9% من الأحرف التايوانية:
- Cordia New: 18.6%
- Angsana New: 15.3%
- TH Sarabun PSK: 14.7%
- TH Sarabun New: 14.2%
- Browallia New: 6.9%
- TH Sarabun IT๙: 4.7%
- DB ThaiText X: 2.4%
- Cordia UPC: 1.9%
- Tahoma: 1.1%
- DB FongNam X: 1.1%
- جميع العائلات الـ 683 الأخرى مجتمعة: 19.1%
استبدال هذا الملف المتنوع بنمط خط واحد، وهو TH Sarabun New، يزيد من معدل الخطأ الحرفي الوسيط المطبوع بمقدار 0.56 نقطة مئوية في ظل التدريب على مستوى الصفحة، وبنقاط 2.15 في ظل التدريب على مستوى المقطع، مقارنةً بنسخة الخلفية البيضاء.
الخسائر في الكتابة بخط اليد أكبر. ففي مجموعة Handwriting الأوسع، يرتفع معدل الخطأ الحرفي الوسيط من 43.16% إلى 49.86% في ظل التدريب على مستوى الصفحة، بزيادة قدرها 6.70 نقطة. وفي ظل التدريب على مستوى المقطع، يرتفع من 50.77% إلى 62.13%، بزيادة قدرها 11.36 نقطة.
تظهر الكتابة بخط اليد السهلة (Easy Handwriting) نفس الاتجاه، مع زيادات قدرها 9.48 و 13.37 نقطة على التوالي.
يدعم هذا التجربة نتيجة عملية: تنوع أنماط الخطوط يساعد في النقل إلى الكتابة بخط اليد. وهو لا يحدد بالضبط أي السمات الداخلية للأحرف يتعلمها النموذج، أو أن مجموعة صغيرة من أكثر الخطوط شيوعاً ستعيد إنتاج نتائج الملف الكامل.
3. تسطيح التخطيط يضر الكتابة بخط اليد أكثر
ماذا يحدث عندما يتم تكديس مناطق النص المتبقية عمودياً بترتيب القراءة؟ يختبر الباحثون هذا باستخدام Linear-white-single-font، ببناء على شرط الخلفية البيضاء والخط الواحد.
في الكتابة بخط اليد، يرتفع معدل الخطأ الحرفي الوسيط على مستوى المقطع من 62.13% إلى 70.17%. وفي ظل التدريب على مستوى الصفحة، يرتفع من 49.86% إلى 58.40%. كما تتدهور وسيطات الكتابة بخط اليد السهلة أيضاً.
يتصرف التعرف المطبوع بشكل مختلف. يرتفع معدل الخطأ الحرفي الوسيط على مستوى المقطع من 7.01% إلى 9.60%، بينما يتغير الوسيط على مستوى الصفحة من 5.34% إلى 5.07%.
لذلك، فإن الترتيب المكاني يهم لنقل الكتابة بخط اليد في كلا الإعدادين، وللتعرف المطبوع في مقارنة مستوى المقطع. لا تظهر النتائج تدهوراً عالمياً عبر كل مقياس، ولا تحدد الآلية الكامنة وراء تأثير مستوى المقطع.
Successive Ablations: Crop-Level Out-of-Domain Training
-------------------------------------------------------------
Training Variant Heldout Med CER Handwriting Med CER
Full Out-of-Domain Synthetic 5.52% 49.15%
Remove non-text context 4.86% 50.77%
Also remove font diversity 7.01% 62.13%
Also remove two-dimensional layout 9.60% 70.17%
## قلب الحبيبية: مستوى الصفحة مقابل مستوى القطع
أكثر النتائج إثارة للاهتمام هو كيف تغير حبيبية التدريب مصدر البيانات المفضل. تقارن الورقة إعدادين:
- **مستوى الصفحة**: يتلقى النموذج صورة مستند كاملة ويولد كائن JSON يحتوي على المناطق، ومربعات الحدود، والفئات، والنص بترتيب القراءة.
- **مستوى القطع**: يدرب التعرف على مناطق مفردة مُعلَّمة. أثناء الاستدلال، يزوّد كاشف التخطيط قطعاً للتعرف، لذا تشمل درجات خط الأنابيب المُبلَّغة أخطاء الكشف وترتيب القراءة.
عندما يقارن المؤلف المستندات التايلاندية المُعاد بناؤها مع المصادر الإنجليزية المُعاد بناؤها، يقلب الفائز.
قلب حبيبية التدريب: CER الوسيط على الطباعة المحجوزة
نموذج مستوى الصفحة (Qwen3-VL-2B-Instruct): • إعادة بناء تايلاندي في النطاق: 1.82% <-- CER أقل • إعادة بناء خارج النطاق: 5.07%
نموذج مستوى القطع (Qwen3-VL-2B-Instruct): • إعادة بناء تايلاندي في النطاق: 15.59% • إعادة بناء خارج النطاق: 5.52% <-- CER أقل
يظهر القلب أيضاً في مجموعتي الكتابة اليدوية. تحسّن إعادة البناء في النطاق الوسيط للكتابة اليدوية على مستوى الصفحة من 43.99% إلى 36.27%، لكنه يزيده سوءاً على مستوى القطع من 49.15% إلى 52.77%.
لماذا يحدث هذا؟ تترك الورقة السبب دون حل صراحةً.
تتلقى المنظومتان كميات مختلفة من سياق المستند، لكن هذا التمييز وحده لا يثبت لماذا يفوز مصدر على آخر. لا تثبت الدراسة أن قطع المصادر الإنجليزية أكثر تنوعاً، أو أن كتل النصوص الإدارية التايلاندية أكثر تجانساً، أو أن أيّاً من هاتين الخاصيتين يسبب القلب.
ما تثبته هو كافٍ لتغيير خطة تجريبية: لا يمكن افتراض أن مطابقة النطاق المصدر يساعد كل معمارية تعرف. في هذا المقارنة، مصدر يحسّن التعرف على مستوى الصفحة بشكل كبير يزيده سوءاً بشكل كبير للتعرف المطبوع على مستوى القطع.
## مشكلة الكتابة بخط اليد: الخطوط المتجهة مقابل الرموز الحقيقية
عادةً ما تتكرر نفس القالب الأساسي (outline) في خط الكتابة بخط اليد كلما ظهر نفس الحرف. أما مجموعة متنوعة من نماذج الكتابة بخط اليد الحقيقية فتتيح لمحرك التصيير (renderer) إدخال تباين بين هذه الظهورات المتعددة.
تختبر الورقة البحثية ما إذا كان هذا الاختلاف يحسن من قدرة النموذج على التعميم (transfer). فعلى سبيل المثال، يعتمد متغير خط الكتابة بخط اليد على أخذ عينات من المجموعة الكاملة المكونة من 693 عائلة خطوط بدلاً من الاعتماد على الملف الشخصي المقاس؛ حيث يستخدم 24.0% من الصفحات خطاً للكتابة بخط اليد، وتخضع نصف هذه الصفحات لتشويه عشوائي للخطوط على مستوى كل رمز.
أما متغير الرمز الحقيقي فيعيد رسم نفس المجموعة الفرعية للكتابة بخط اليد باستخدام صور رموز تم أخذ عينات منها. وتظل التسميات، وتعليقات المناطق، وارتفاع الحبر، ولون الحبر ثابتة دون تغيير.
تأتي مجموعة الرموز (glyph bank) من خط أنابيب متعدد المراحل:
1. **الاكتشاف**: ينتج كاشف يعتمد على YOLOv8 حوالي 5.70 مليون مرشح لمربعات الرموز من صور أسطر الكتابة بخط اليد في iApp ومن مجموعة التدريب الخاصة بالكتابة التايلاندية الحقيقية (Real Thai Handwriting).
2. **المحاذاة والتصفية**: تتم محاذاة المرشحين مع تسميات الأسطر المشكلة، والتحقق منها باستخدام مصنف للرموز أو نظام OCR تجاري، ثم تصفيتها بناءً على الحجم والشكل، مما يترك 534,404 مرشح.
3. **التحقق بواسطة نموذج لغوي-بصري (VLM)**: يتحقق Gemini 3.5 Flash من المرشحين المختارين، مما يؤكد صحة 12,090 حالة.
4. **التجميع**: تبلغ الورقة عن مجموعة نهائية مكونة من 5,953 حالة رمز عبر 76 فئة من الأحرف، تم تجميعها باستخدام أخذ عينات عبر مختلف الكتاب.
خط أنابيب رموز الكتابة بخط اليد: [5.70 مليون مرشح] -> [534 ألف مرشح بعد التصفية] -> [12,090 حالة موثقة] -> [5,953 حالة في المجموعة النهائية]
أثناء التصيير، يتم أخذ عينات من حالات الأحرف المدعومة بشكل مستقل. وبالتالي، يمكن أن تتلقى الأحرف المتكررة خطوطاً مختلفة، على الرغم من أن أخذ العينات المستقل لا يضمن الحصول على حالة مختلفة في كل مرة. ولا يفرض هذا العملية وجود كاتب متسق داخل الصفحة الواحدة.
في الصفحات المعاد رسمها، تغطي المجموعة 96.3% من حالات الأحرف التايلاندية. وتلجأ الأحرف غير المدعومة إلى خط الصفحة الافتراضي.
تظهر النتائج في الجدول 5 فائدة متسقة لاستخدام الكتابة بخط اليد:
- يحقق البيانات الاصطناعية الأساسية خارج النطاق (out-of-domain) معدل خطأ في الأحرف (CER) وسطي قدره **43.99%** في الكتابة بخط اليد تحت التدريب على مستوى الصفحة.
- يقلل إضافة خطوط الكتابة بخط اليد هذا المعدل إلى **38.65%**.
- يخفض استخدام الرموز الحقيقية هذا المعدل أكثر إلى **37.91%**، ويصل إلى **30.66%** في الكتابة بخط اليد السهلة (Easy Handwriting).
تحسن أيضاً القيم الوسطى للكتابة بخط اليد على مستوى المقاطع (crop-level) عند استبدال خطوط الكتابة بخط اليد بالرموز الحقيقية.
لا يزال هناك فجوة مقارنة بالإشراف البشري على الكتابة بخط اليد الحقيقية. فالتدريب على البيانات التايلاندية المطبوعة الحقيقية بالإضافة إلى الكتابة بخط اليد يصل إلى معدل خطأ وسطي قدره **26.05%** في الكتابة بخط اليد و**20.79%** في الكتابة بخط اليد السهلة. وقد تم إنشاء تسميات البيانات الحقيقية هذه من خلال خط أنابيب للتسميات الزائفة باستخدام OCR ونماذج لغوية-بصرية، بدلاً من وصفها كنسخ بشرية.
تترك الورقة تأثير وجود مجموعة رموز أكبر للدراسات المستقبلية. وهي لا تعزل أي من خصائص الكتابة بخط اليد المتبقية التي تفسر هذه الفجوة.
## Wayu-Paxa-OCR-Zero: النموذج الناتج
بناءً على الدروس المستفادة من التجارب التجريبية (ablations)، قام المؤلف بتعديل **PaddleOCR-VL-1.6** ليصبح **Wayu-Paxa-OCR-Zero**، مع الحفاظ على بنيته التي تتكون من 0.9 مليار معلمة.
أثناء الاستدلال (inference)، تقوم PP-DocLayoutV3 بتوفير المناطق للمعرّف. وفي تدريب PaddleOCR-VL، تستخدم أهداف الجداول لغة بنية الجدول المُحسّنة (OTSL)؛ ويتم إزالة الجداول التي لا يمكن تمثيل نطاقاتها بدقة.
تحتوي مجموعة التدريب على **45,723 صفحة اصطناعية**:
- **39,534 صفحة اصطناعية أساسية** من DocLayNet و Crello و PubTabNet، وتشمل كلا من التصاميم بخط اليد ونسخ الرموز الحقيقية لـ 7,131 صفحة.
- **3,999 صفحة تركز على خط اليد**: 3,000 صفحة منفصلة من DocLayNet-v1.2 مُصممة برموز خط اليد، و 999 صفحة اصطناعية تحتوي على قصاصات خط يد من iApp.
- **2,190 نموذجًا اصطناعيًا** مُعاد بناؤها من قوالب CommonForms، مع رموز متداخلة في قيم الحقول.
توفر المصادر الإنجليزية العامة المستندات والقوالب المصدرية. ولم يتم استخدام أي صفحة مستند تايلاندي حقيقي من الدراسة الخاضعة للرقابة كصفحة مصدرية لهذه الوصفة النهائية.
هذا لا يعني أن خط الأنابيب لا يحتوي على مدخلات خط يد تايلاندي حقيقي. يتضمن بنك الرموز مواد مستخرجة من مجموعة التدريب الخاصة بخط اليد التايلاندي الحقيقي، وتشمل صفحاتها الإضافية قصاصات من iApp. يصف مصطلح "اصطناعي فقط" الصفحات التدريبية المولدة والإشراف عليها، وليس غياب مواد خط اليد الحقيقية في أي مكان من بناء البيانات.
تم تدريب جميع المعلمات البالغ عددها 0.9 مليار لمرة واحدة (epoch)، باستخدام معدل تعلم قدره 3 × 10⁻⁵، وجدول زمني جيبوي (cosine schedule)، ونسبة إحماء قدرها 0.03، وحجم دفعة فعّال يبلغ 16.
### مقارنة مباشرة بين المعايير
تقيّم الورقة خمسة مجموعات: صفحات تايلاندية مطبوعة محجوزة (301 صفحة)، خط اليد (200 صفحة)، خط اليد السهل (200 صفحة)، ThaiOCRBench، والمجموعة الفرعية التايلاندية النظيفة المكونة من 1,148 صفحة من SEA-DocBench.
تتوسط نتائج ThaiOCRBench كل مجموعة فرعية عبر خمس مهام قراءة مدققة. تختار مجموعة "خط اليد السهل" الصفحات ذات الاختلاف المنخفض بين نظامين خاصين للتعرف على خط اليد.
الأداء المقارن: معدل خطأ الأحرف (CER) بالنسبة المئوية؛ كلما قلّ الرقم كان أفضل
المعيار PaddleOCR-VL-1.6 Wayu-Paxa-OCR-Zero Typhoon OCR 7B Typhoon OCR 1.5 2B Gemini 3.7 Flash (0.9B Base) (0.9B Adapted)
محجوز (مطبوع) - الوسيط 6.64% 1.24% 2.54% 0.21% 0.00% محجوز (مطبوع) - المتوسط 27.60% 14.75% 18.27% 5.47% 3.56%
خط اليد - الوسيط 74.87% 20.55% 43.60% 19.36% 11.29% خط اليد - المتوسط 67.90% 22.28% 49.36% 21.86% 15.04%
خط اليد السهل - الوسيط 73.74% 14.18% 34.99% 9.02% 3.89% خط اليد السهل - المتوسط 69.41% 17.08% 45.06% 15.74% 7.64%
ThaiOCRBench - الوسيط 38.0% 15.3% 30.6% 6.2% 0.9% ThaiOCRBench - المتوسط 43.3% 25.6% 44.7% 16.8% 3.8%
SEA-DocBench - الوسيط 8.87% 4.86% 9.22% 5.81% 5.51% SEA-DocBench - المتوسط 18.54% 9.99% 17.57% 12.80% 10.62%
تكشف الأرقام عن عدة إنجازات بارزة:
1. **تحسن كبير مقارنة بالنموذج الأساسي**: تقلل الوصفة الاصطناعية كلًا من الوسيط والمتوسط لمعدل خطأ الأحرف (CER) في كل مجموعة تقييم. ينخفض الوسيط المطبوع من 6.64% إلى 1.24%، وينخفض الوسيط الخاص بخط اليد من 74.87% إلى 20.55%.
2. **تفوق نموذج بحجم أكبر منه بنحو ثمانية أضعاف**: يتفوق Wayu-Paxa-OCR-Zero على Typhoon OCR 7B في جميع المجموعات الخمس. فإن الوسيط الخاص بخط اليد أقل من نصف قيمة نموذج 7B البالغ 43.60%.
3. **نتيجة قوية على صفحات SEA-DocBench التايلاندية النظيفة**: فإن الوسيط البالغ 4.86% والمتوسط البالغ 9.99% لمعدل خطأ الأحرف أقل من جميع أنظمة المقارنة الأربعة في هذه المجموعة الفرعية، بما في ذلك Gemini 3.7 Flash.
لا يزال Typhoon OCR 1.5 2B الأحدث يتفوق على Wayu-Paxa-OCR-Zero في مجموعات التقييم الأربع الأخرى. يتمتع Gemini 3.7 Flash بأقل معدل خطأ أحرف في المجموعات الداخلية الثلاث و ThaiOCRBench.
تُثبت هذه المقارنات القدرة التنافسية تحت التقييم المبلغ عنه. وهي لا تثبت أن الإشراف الاصطناعي أفضل جوهريًا من بيانات التدريب المستخدمة من قبل الأنظمة الأخرى، التي تختلف في البنية، والنطاق، والتدريب المسبق، والإشراف.
## فخ المقاييس: لماذا تحكي الوسيط والمتوسط قصصاً مختلفة
انظر عن كثب إلى النتائج المطبوعة لـ Wayu-Paxa-OCR-Zero: الوسيط لمعدل خطأ الأحرف (CER) هو **1.24%**، لكن المتوسط لمعدل خطأ الأحرف هو **14.75%**.
لماذا هذه الفجوة الكبيرة؟
الإجابتان التجميعيتان تجيبان على أسئلة مختلفة:
- **الوسيط لمعدل خطأ الأحرف (Median CER)** هو معدل خطأ الصفحة الوسطي. يصف منتصف توزيع الصفحات المُقيَّمة، دون تحديد الدقة لأي فئة وثائق معينة.
- **المتوسط لمعدل خطأ الأحرف (Mean CER)** مرجّح بالأحرف. تساهم الصفحات الأطول بشكل أكبر، ويمكن للصفحات ذات معدلات الخطأ العالية أن تساهم بشكل غير متناسب في المجموع الكلي.
هناك أيضاً تفصيل في التقييم خلف كل رقم مُبلَّغ عنه. يستخدم الورق **معدل خطأ الأحرف المُسقط (projected CER)**: يتم تطبيع التنبؤات ومطابقتها بشكل مرن (fuzzy alignment) مع مناطق النص المُقيَّمة قبل التقييم. يتم تجاهل النص خارج النطاقات المُعلَنة، بينما تظل الأخطاء داخل النطاقات المُعلَنة والمناطق المُقيَّمة المفقودة قابلةً للحساب ضمن الأخطاء.
يزيل الخوارزمية المسافات البيضاء والعلامات أو المحتوى المحدد أثناء التطبيع، ويحدد حدًا أقصى لمعدل خطأ الأحرف لكل صفحة بنسبة 100%. المتوسط المُبلَّغ عنه هو المتوسط المرجّح بالأحرف لتلك الدرجات المحدودة للصفحات. لذلك، هذه ليست درجات نسخ كاملة للوثائق دون تصفية.
يُظهر مثال افتراضي بسيط سبب انحراف التجميعات:
عشر صفحات متساوية الطول: تسع صفحات بمعدل خطأ أحرف (CER) بنسبة 1% صفحة واحدة بمعدل خطأ أحرف (CER) بنسبة 85%
الوسيط لمعدل خطأ الأحرف: 1% المتوسط لمعدل خطأ الأحرف: 9.4%
الفجوة الفعلية بين الوسيط والمتوسط تتوافق مع حقيقة أن الصفحات الأصعب تساهم بشكل غير متناسب في الخطأ التجميعي. الجدول وحده لا يحدد أنماط الفشل الخاصة ولا يخبرنا بعدد الصفحات التي عانت منها.
يجعل المقارنة مع الإشراف الحقيقي (real-supervision) هذه القيود ملموسة. تحت التدريب المطابق على مستوى الصفحة، يصل التركيب الداخلي (In-Domain Synthetic) إلى وسيط لمعدل خطأ الأحرف بنسبة **1.82%** مقابل **1.31%** للطباعة التايلاندية الحقيقية. لكن متوسطه هو **16.20%**، مقارنة بـ **9.79%** للإشراف المطبوع الحقيقي.
تأتي تسميات البيانات الحقيقية من Azure OCR متبوعةً بتطبيع باستخدام نماذج اللغة البصرية (VLM). مراجع التقييم الداخلية هي أيضاً تسميات زائفة (pseudo-labels)، تم إنتاجها باستخدام Azure OCR و Gemini 2.5 Flash.
تقترب أساليب إعادة البناء من الإشراف الحقيقي على الصفحة المطبوعة النموذجية في هذه التجربة، بينما تترك فجوة أكبر في المجموع المرجّح بالأحرف.
## لماذا يهم: خارطة طريق عملية لفِرق ذكاء المستندات
بالنسبة إلى الفرق التي تعمل على اللغة التايلاندية أو لغات أخرى ذات توثيق مستندات محدود، يقدم هذا الورقة دليلًا تجريبيًا مفيدًا. وتتمثل دروسه الأقوى في تحديد ما يجب قياسه ومقارنته، بدلاً من تقديم قواعد عالمية للإنتاج.
### 1. اختبار قيمة السياق غير النصي
لا تجلب الخلفيات المحفوظة والعناصر غير النصية هنا سوى فائدة ضئيلة ومتسقة في معدل خطأ الأحرف (CER). لذلك، يُعد إعادة البناء بخلفية بيضاء مقارنة مفيدة قبل الاستثمار بكثافة في سياق الصفحة المصدر. النتائج لا تبرر التخلي عن كل شكل من أشكال نمذجة التدهور دون اختباره.
### 2. الحفاظ على تنوع الخطوط وتقييمه
يوفر الملف المقاس نقطة انطلاق واقعية لعرض المستندات التايلاندية. واستبدالها بنمط خط واحد يضر بنقل الكتابة اليدوية. تدعم الدراسة التنوع مقارنة بخط الأساس ذو الخط الواحد؛ فهي لا تظهر أن الاحتفاظ بأفضل عشرة أو عشرين خطًا فقط كافٍ.
### 3. مطابقة تجارب البيانات مع بنية النموذج
قيّم مجموعات البيانات المصدر المرشحة باستخدام دقة التدريب التي تنوي استخدامها. هنا، يفوز إعادة البناء ضمن النطاق (in-domain) في التعرف المطبوع على مستوى الصفحة، بينما يفوز إعادة البناء خارج النطاق (out-of-domain) في التعرف على مستوى المقطع (crop). ولا يثبت أي من النتيجتين وجود متطلب عالمي لاستخدام مجال مصدر واحد.
### 4. اختبار بنوك الرموز الحقيقية للكتابة اليدوية
تحسن خطوط الكتابة اليدوية بالفعل التعرف على الكتابة اليدوية في هذه التجارب. وتضيفInstances الرموز الحقيقية مكاسب إضافية. لذلك، يُعد بنك الرموز الموثق مكملاً واعدًا، مع الحفاظ على مصادر التقييم منفصلة عن المواد المستخدمة في بنائه. لا تثبت الدراسة حجم البنك الأمثل أو تقضي على الفجوة تجاه الإشراف على الكتابة اليدوية الحقيقية.
### 5. التقييم بما يتجاوز الصفحة النموذجية
الوسيط المنخفض هو جزء فقط من النتيجة. يجعل الخطأ المرجح بالأحرف الأكبر الصفحات الصعبة جزءًا مهمًا من أي تقييم متابعة. لا يبلغ الورقة عن معدلات قبول الإنتاج، أو معايرة الثقة، أو نظام توجيه موثق، لذا لا يمكن لدرجات المعيار الخاصة بها أن تثبت خصائص النشر تلك.
*التعليق على الصورة*
من الجدير بالذكر أن طبيعة الكتابة العربية، مع خطها المتصل واتجاهها من اليمين إلى اليسار وأشكال الحروف الحساسة للسياق، تفرض تحديات إضافية على أنظمة التعرف الضوئي على الحروف (OCR) تجعل هذه التجارب ذات صلة أوسع.
## آفاق تحليل المستندات الاصطناعية
تُظهر Wayu-Paxa-OCR-Zero أن إعادة بناء المستندات الاصطناعية يمكن أن تدعم تكيفًا تنافسيًا لنظام التعرف الضوئي على الحروف (OCR) للغة التايلاندية. فقد حقق نموذج ذو معلمات أقل من مليار تحسينًا كبيرًا على نقطة التفتيش الأساسية له، وتجاوز Typhoon OCR 7B عبر مجموعات تقييم خمسة، دون استخدام صفحات تايلاندية حقيقية كمستندات مصدرية لهذا التكيف.
يكون هذا الأثر أقوى عندما تظل حدوده مرئية: حيث يساهم مواد الكتابة اليدوية الحقيقية في الصفحات الاصطناعية، وتحافظ أنظمة المقارنة الأحدث على مزايا كبيرة في عدة مجموعات، وتظل الأخطاء الشديدة ذات أهمية.
تشير الأسئلة المفتوحة نحو تجارب ملموسة تالية:
- **تنوع أوسع للكتابة اليدوية**: تساعد الرموز الحقيقية، لكن النماذج الخاضعة للرقابة لا تزال تتخلف عن التدريب باستخدام صفحات الكتابة اليدوية الحقيقية. ولم يتم اختبار تأثير بنك رموز أكبر.
- **شرح الانعكاس بين القطع (Crop) والصفحة (Page)**: إن الانعكاس في المجال المصدر كبير، لكن سببه لم يُحل بعد. يمكن أن يساعد فهمه في تفسير خصائص إعادة البناء التي تنتقل عند كل درجة من دقة التدريب.
- **سد فجوة الخطأ الإجمالي**: تقترب إعادة البناء الاصطناعي من الإشراف المطبوع الحقيقي على معدل الخطأ في الرموز (CER) الوسيط، بينما تتخلف بوضوح أكبر على معدل الخطأ في الرموز (CER) المتوسط المرجح بالرموز. تظل التغطية الأوسع للتخطيط والطباعة والكتابة اليدوية اتجاهات لتحسين التعميم.
في مجال الذكاء الاصطناعي للمستندات، تمنح هذه الورقة معنى أكثر قابلية للاختبار لمصطلح "جودة البيانات". يمكن تغيير وتنوع الخطوط، والبنية ثنائية الأبعاد، وتنوع الرموز، ودقة التدريب وتقييمها بشكل منفصل. وهذا هو المساهمة الأكثر فائدة للوصفة: طريقة لاستكشاف أي مكونات اصطناعية تستحق مكانها.