SP-DocReader: خفض معدلات أخطاء OCR على Vary-600K إلى النصف بفضل اللعب الذاتي المدرك للفروقات

عندما يجعل زيادة المعاملات قراءة المستندات أسوأ

قد يبدو الضبط الدقيق لنموذج رؤية-لغة بحجم 4 مليارات معامل على عشرات الآلاف من صفحات المستندات وصفة واعدة لنسخ أفضل. في تجارب SP-DocReader، أدى تحديث نموذج اللغة ووحدة OCR معًا إلى خفض معدلات أخطاء الحروف داخل التوزيع بالفعل. لكن على معايير المستندات غير المرئية أثناء التدريب، تخلّفت هذه الاستراتيجية عن تكييف أصغر حجمًا. على IIT-CDIP، التي تضم سجلات ممسوحة ضوئيًا، بلغ معدل أخطاء الحروف 16.87% عند ضبط نموذج اللغة ووحدة OCR معًا. أما وحدة OCR بحجم 0.5 مليار معامل، المدرَّبة على الصفحات نفسها مع تجميد النموذج الأساسي، فسجّلت 14.42%. وبقي المشفّر البصري ووصلته مجمّدَين في كلتا الحالتين.

هذه الفجوة المخالفة للبديهة هي إحدى نتائج SP-DocReader، وهي ورقة بحثية في OCR نُشرت في 8 أكتوبر 2026 بقلم Wenjie Liao وXiaohui Song وLiangjie Zhao وHaonan Lu، من Guangdong OPPO Mobile Telecommunications وجامعة أديلايد. نسخ المستندات مهمة لا تتسامح مع الخطأ. فالإجابة المختصرة عن صفحة ما تختلف عن إعادة إنتاج نصها، بما فيه الحروف الصغيرة والأرقام. وتُظهر أمثلة الورقة ما قد يحدث من أخطاء: قراءة سنة إلغاء تعديل دستوري على أنها 1935 بدل 1933، أو تحويل "State legislatures" إلى "State legislators"، أو نسخ صيغة بُعد رياضية على هيئة dim S = dim A + IL بدل dim S = dim A + |L|.

يستهدف SP-DocReader هذه الأخطاء المتبقية مباشرةً. يجمع الإطار بين فكرتين: فرع OCR معياري يُبقي نموذج الرؤية-اللغة الأساسي مجمّدًا، ومخطط تدريب تكراري باللعب الذاتي يحدد مواضع الخسارة انطلاقًا من الفروقات بين النسخ المولَّدة والنسخ المرجعية.

والنتيجة لافتة. على Qwen3-VL-4B، خفّضت ثلاث جولات من اللعب الذاتي المدرك للفروقات معدل أخطاء الحروف على مجموعة التحقق من Vary-600K من 2.40% إلى 1.11%، أي انخفاضًا نسبيًا قدره 54% تقريبًا مقارنةً بالضبط الدقيق الخاضع للإشراف لمدة حقبتين. وفي مقارنة منفصلة لميزانية التدريب، تفوّق اللعب الذاتي باستخدام 30,000 صفحة مرجعية على الضبط الدقيق الخاضع للإشراف باستخدام 120,000 صفحة في درجة مركّبة على خمس مهام. وهذا يعادل ربع عدد صفحات التدريب المرجعية المتمايزة، وليس قياسًا لتكلفة التوسيم أو للحوسبة الكلية.

لماذا يوزّع الضبط الدقيق الخاضع للإشراف انتباهه على كل شيء

لفهم دافع SP-DocReader، لنلقِ نظرة على كيفية تدريب الضبط الدقيق القياسي الخاضع للإشراف (SFT) لقارئات المستندات.

في الضبط الدقيق الانحداري التلقائي القياسي، يتلقى النموذج صورة المستند مع موجّه نصي، ويحسب خط التدريب خسارة الإنتروبيا المتقاطعة بأسلوب teacher forcing على كامل النص الهدف. يحظى كل رمز مستهدف بإشراف. فإذا احتوى المرجع على 800 رمز نموذجي، فإن الهدف التدريبي يشمل المواضع الـ800 كلها، وإن لم تكن خسائرها ومساهماتها في التدرّج متساوية بالضرورة.

قد تبقى قارئة تنسخ معظم الصفحة نسخًا صحيحًا عاجزةً عن مجموعة أصغر من الأخطاء المتبقية. والـ SFT على التسلسل الكامل لا يستخدم قراءة مولَّدة لتحديد تلك المواضع. يسأل SP-DocReader: هل يحسّن اختيار مواضع الاختلاف المتبقية صراحةً التكيّف بعد مرحلة الإشراف؟

كما يختلف teacher forcing عن التوليد. ففي أثناء النسخ، يبني النموذج كل رمز جديد على مخرجاته السابقة هو. أما في التدريب الخاضع للإشراف، فيتنبأ بالرمز المرجعي التالي بمعلومية البادئة الصحيحة. يُدخل SP-DocReader قراءات النموذج المولَّدة في التدريب، مع الاستمرار في استخدام البوادئ المرجعية الكاملة عند تسجيل الرموز المرجعية.

وتدعم مسارات التدريب الخاضع للإشراف المسجَّلة هذا التغيير. على Qwen3-VL-4B، يتحسن CER على Vary-600K من 2.50% بعد حقبة إشراف واحدة إلى 2.40% بعد حقبتين، ثم يرتفع إلى 2.66% بعد ثلاث. ويُظهر InternVL انعكاسًا مشابهًا على هذا المقياس. تدعم هذه النتائج البحث في هدف تدريبي مختلف، لكنها لا تثبت أن الضبط الدقيق الخاضع للإشراف يتوقف عن الإفادة عمومًا بعد حقبتين.

استعارة اللعب الذاتي دون نموذج مكافأة منفصل

يبني SP-DocReader على SPIN، الذي يقرن الاستجابات المرجعية بمخرجات نقطة تفتيش سابقة للنموذج على نحو تكراري. يتعلم النموذج النشط من هذه الأزواج، ثم يصبح الخصم في الجولة التالية.

يتمتع نسخ المستندات بميزة بنيوية مفيدة مقارنةً بالمحادثة المفتوحة: صفحات التدريب لها نسخ مرجعية. وبذلك يستطيع الإطار تحديد مواضع الاختلاف عن هذه المراجع دون تدريب نموذج مكافأة منفصل ودون جمع تسميات تفضيل ذاتية.

يكيّف SP-DocReader هذه الحلقة لنسخ الصفحات:

1. الخصم يولّد مسودة: في الجولة t، يجمّد الإطار نقطة التفتيش الحالية ويعيّنها خصمًا ($\theta_t$). يولّد الخصم بالجشع قراءة واحدة لكل صفحة، ويتوقف عند EOS أو بعد 1,024 رمزًا جديدًا، دون احتساب الموجّه.
2. الإطار يقارن المسودة: يحاذي تسلسل الرموز الذي ولّده الخصم مع النسخة المرجعية المعروفة.
3. الإطار يختار الفروقات: يحدد المواضع غير المتطابقة في التسلسلين. وتحدد هذه المواضع أي لوغاريتمات احتمالات الرموز تدخل في هدف التدريب.
4. التحسين الموجَّه يحدّث اللاعب: هدف ثنائي الخسارة يحدّث وحدة OCR القابلة للتدريب. يقارن أحد مكوّنيه تغيّرات الدرجة النسبية للخصم بين الفروقات المرجعية والمولَّدة. ويشرف الآخر مباشرةً على الرموز المرجعية غير المتطابقة.
5. الخصم يتجدد: بعد التحسين المحلي، يصبح اللاعب المحدَّث هو الخصم التالي ($\theta_{t+1}$)، فيولّد قراءات وأقنعة فروقات جديدة.

تبقى القراءات والأقنعة ثابتة داخل كل جولة. وتجديدها بين الجولات يتيح للتدريب اللاحق الاستجابة للأخطاء المتبقية لدى النموذج المحدَّث، وإن كان الإجراء لا يضمن أن تكون كل فروقات جديدة أصعب أو أدق من سابقتها.

تصحيح الأخطاء بدقة جراحية: أطول تسلسل فرعي مشترك وتدرجات مزدوجة

تكمن المساهمة التقنية الجوهرية في SP-DocReader في طريقة اختيار الفروقات وتسجيلها. يقدّم المؤلفون آليتين متكاملتين: إخفاء فروقات القراءة (RDM) وخسارة الدقة المركّزة (FFL).

إخفاء فروقات القراءة (RDM)

يحاذي الإطار تسلسل رموز الحقيقة المرجعية $y$ والتسلسل الاصطناعي للخصم $\hat{y}$ مباشرةً على مستوى رموز النموذج.

يحسب أطول تسلسل فرعي مشترك (LCS) بالبرمجة الديناميكية على أزواج اللواحق. عند تطابق الرمزين يتقدم المؤشران معًا. وعند اختلافهما، تتقدم الخوارزمية بالمؤشر الذي يحافظ على أكبر طول متبقٍ لـ LCS في اللاحقة. وعند التعادل، تتقدم بالمؤشر الاصطناعي مع الإبقاء على موضع الحقيقة المرجعية.

ينتج عن هذه المحاذاة الحتمية مجموعتا مواضع، تخص كل منهما تسلسلها:

• $\mathcal{E}_y$: المواضع غير المتطابقة في تسلسل الحقيقة المرجعية.
• $\mathcal{E}_{\hat{y}}$: المواضع غير المتطابقة في القراءة المولَّدة.

هذه فروقات على مستوى رموز النموذج، وليست بالضرورة حروفًا أو كلمات منفردة، ولا تشخيصًا فريدًا لكل خطأ تعرّف.

والأهم أن SP-DocReader لا يعيد الرموز غير المتطابقة كأجزاء نصية منفصلة. فكل رمز مختار يُسجَّل باستخدام بادئة التكييف الأصلية الكاملة. فالرمز المرجعي في الموضع 450 يستخدم كل الرموز المرجعية الـ449 السابقة له، والرمز المولَّد يستخدم بادئته المولَّدة. تحدد الأقنعة حدود الخسارة المباشرة، بينما تبقى الرموز المتطابقة جزءًا من الحساب السياقي.

خسارة فروقات القراءة ($\mathcal{L}_{RDM}$)

يحسب الإطار هدفًا تبايُنيًا مقتبسًا من SPIN، بدافع فجوة التوقّع المستخدمة في المقاييس الاحتمالية التكاملية (IPM). ولكل تسلسل، يحسب تغيّر الدرجة بين اللاعب الحالي والخصم المجمّد:

$$\Delta_t(z) = S_\theta(z, \mathcal{E}z) - S{\theta_t}(z, \mathcal{E}_z)$$

هنا يجمع $S_\theta$ لوغاريتمات احتمالات الرموز عبر المواضع المختارة، باستخدام بوادئها الأصلية الكاملة. ولا يُطبَّع المجموع بالطول. وتطبّق خسارة فروقات القراءة خسارة لوجستية:

$$\mathcal{L}_{RDM}(\theta, \theta_t) = \mathbb{E}\left[\log\left(1 + \exp\left(\beta [\Delta_t(\hat{y}) - \Delta_t(y)]\right)\right)\right]$$

يفضّل الهدف زيادة أكبر في الدرجة مقارنةً بالخصم عند فروقات الحقيقة المرجعية منها عند الفروقات المولَّدة. إنها مقارنة نسبية، وليست عقوبة قائمة على الاحتمال المطلق للرمز الخاطئ وحده.

خسارة الدقة المركّزة (FFL)

يمكن أن ينخفض الهدف التبايُني بخفض الدرجة الاصطناعية دون رفع درجة الحقيقة المرجعية. ومن ثم فإن كبح قراءة خاطئة لا يضمن وحده دعمًا أقوى للمرجع.

ولإضافة هذا الضغط المباشر، يقدّم المؤلفون خسارة الدقة المركّزة ($\mathcal{L}_{FFL}$). تطبّق FFL اللوغاريتم السالب للاحتمال بأسلوب teacher forcing عند مواضع الحقيقة المرجعية غير المتطابقة:

$$\mathcal{L}{FFL}(\theta) = - \mathbb{E}\left[\sum{k \in \mathcal{E}y} \log P\theta(y_k \mid y_{<k}, I, x)\right]$$

لا تتلقى المواضع المتطابقة حدود خسارة مباشرة للرموز. لكنها قد تؤثر في الخسائر المختارة بحكم دورها في سياق التكييف، فالإخفاء لا يعني اختفاء كل التدرجات الداخلية أو الحساب عند المواضع المتطابقة.

يجمع الهدف النهائي الحدّين:

$$\mathcal{L}{total} = \mathcal{L}{RDM} + \lambda \mathcal{L}_{FFL}$$

تستخدم التجارب $\lambda = 0.5$ وزنًا افتراضيًا للإشراف المباشر.

يشتق المؤلفون التدرج المدمج بالنسبة إلى معاملات OCR القابلة للتدريب:

$$\nabla_\theta \mathcal{L}{pair} = -[\beta \sigma(-u) + \lambda]\nabla\theta s_y

• \beta \sigma(-u)\nabla_\theta s_{\hat{y}}$$

هنا يمثل $s_y$ و$s_{\hat{y}}$ درجتي المرجع والتسلسل الاصطناعي المقنَّعتين، و$u=\beta[\Delta_t(y)-\Delta_t(\hat{y})]$. وفي ظل النزول التدريجي، يوفر الحدّان ضغطًا لرفع درجة المرجع وخفض الدرجة الاصطناعية، مع إضافة FFL وزنًا إلى مساهمة المرجع. يشرح الاشتقاق هذه الأدوار، لكنه لا يثبت انخفاض تباين التدرج ولا توفيرًا حسابيًا تلقائيًا من الإخفاء.

النقطة المثلى عند 0.5 مليار معامل

تهم خيارات بنية النموذج بقدر ما تهم دوال الخسارة. فبدل تحديث العمود الفقري اللغوي، يبني المؤلفون على القارئ المعياري في DocVLM.

يقسّم خط المعالجة المسؤوليات كما يلي:

• المسار البصري المجمّد: يعالج المشفّر البصري صفحات منخفضة الدقة. يعرض البروتوكول القياسي ملفات PDF بدقة 72 DPI عند توفر الأبعاد الفيزيائية؛ أما الصفحات النقطية فقط فيُحدَّد طول حافتها الأطول بـ842 بكسل دون تكبير.
• العمود الفقري اللغوي المجمّد: تبقى أوزان نموذج اللغة دون تغيير، وإن كانت المشتقات عبر حسابه لازمة لتدريب فرع OCR.
• محرك OCR خارجي: يوفّر EasyOCR الثابت النص المتعرَّف عليه وصناديق الإحاطة من الصفحة نفسها منخفضة الدقة.
• وحدة OCR القابلة للتدريب: مشفّر مشتق من DocFormerV2 يستقبل نص OCR وتخطيطه، مستخدمًا تداخلًا على غرار LayTextLLM بين تمثيلات الصناديق المُسقَطة وتمثيلات النص. وتضغط استعلامات قابلة للتعلم مخرجاته في 64 تمثيلًا لاستعلامات OCR، ويُسقِطها إسقاط في VLM المجمّد.

يمثل مشفّر OCR وطبقة الإسقاط والاستعلامات القابلة للتعلم معًا نحو 0.5 مليار معامل قابل للتدريب. هذه وحدة OCR مضافة، وليست مجموعة جزئية بحجم 0.5 مليار من Qwen3-VL-4B.

يقارن المؤلفون هذا بنسخة "خالية من OCR" تضبط نموذج اللغة دون فرع OCR، وتستخدم 3.3 مليار معامل قابل للتدريب، ونسخة "كاملة المعاملات" تضبط نموذج اللغة ووحدة OCR معًا وتستخدم 3.8 مليار. وعلى الرغم من هذه التسمية، يبقى المشفّر البصري ووصلته مجمّدَين في النسخ الثلاث كلها.

تكشف النتائج عن المقايضة:

• القراءة داخل التوزيع (Vary-600K): يحقق الضبط الكامل 0.98% CER، مقابل 1.11% للضبط المعياري.
• صفحات أكاديمية بلا تدريب مسبق (DocBank): يحقق الضبط المعياري 9.05% CER، مقابل 11.28% للضبط الكامل.
• مستندات ممسوحة بلا تدريب مسبق (IIT-CDIP): يصل الضبط المعياري إلى 14.42% CER، مقابل 16.87% للضبط الكامل.
• الإجابة عن أسئلة المستندات (DocVQA): يسجل الضبط المعياري 84.89 ANLS، مقابل 80.41 للضبط الكامل.

وتعزز المسارات الأطول هذا التباين. فمن SFT-2 حتى خمس جولات من اللعب الذاتي، ينخفض متوسط الضبط الكامل على أربع مهام بلا تدريب مسبق من 75.92 إلى 73.60، بينما يرتفع متوسط الضبط المعياري من 75.89 إلى 79.81.

تفضّل هذه النتائج التكييف المعياري على المهام التي جرى تقييمها بلا تدريب مسبق. لكنها لا تثبت أن الضبط الكامل تعلّم أسلوب عرض بعينه، أو أن قدراته الاستدلالية العامة تدهورت. فتجميد العمود الفقري يحفظ أوزانه؛ والورقة تقيس أداء النظام الناتج على المستندات، لا حفظ كل القدرات الأوسع.

ما تُظهره الأرقام: معدلات أخطاء مخفّضة إلى النصف ومقارنة بميزانية صفحات أقل بأربعة أضعاف

يقيّم المؤلفون عمودين فقريين، InternVL-3.5-4B وQwen3-VL-4B، باستخدام 30,000 صفحة تدريب إنجليزية و30,000 صينية من Vary-600K في التجارب الرئيسية. تستخدم التقييمات القياسية مدخلات منخفضة الدقة، مع قواعد معالجة مسبقة منفصلة لملفات PDF والصور النقطية. وتختبر دراسة للدقة إعدادات أخرى أيضًا.

معايير النسخ والأسئلة والأجوبة الرئيسية

تغطي المقارنة الرئيسية النموذج الأساسي منخفض الدقة، والضبط الدقيق الخاضع للإشراف لمدة حقبتين (SFT-2)، وثلاث جولات لاحقة من اللعب الذاتي (SP-DR-3):

Backbone	Method	Vary-600K CER (%) ↓	DocBank CER (%) ↓	IIT-CDIP CER (%) ↓	DocVQA ANLS ↑	InfoVQA ANLS ↑
InternVL-3.5-4B	Base (low-res)	4.85	13.44	19.56	72.79	50.52
	SFT-2	2.12	11.60	17.83	73.01	48.15
	SP-DR-3	1.17	9.73	15.35	74.27	48.06
Qwen3-VL-4B	Base (low-res)	5.22	12.82	18.45	78.54	52.21
	SFT-2	2.40	10.95	16.71	81.22	55.34
	SP-DR-3	1.11	9.05	14.42	84.89	58.94

على Qwen3-VL-4B، يخفّض اللعب الذاتي CER داخل التوزيع بأكثر من النصف. وينخفض CER على DocBank بمقدار 1.90 نقطة مئوية، وعلى IIT-CDIP بمقدار 2.29 نقطة، ويرتفع ANLS على DocVQA بمقدار 3.67 نقطة. ويتحسن InternVL أيضًا في معايير النسخ الثلاثة وفي DocVQA، لكن InfographicVQA ينزلق من 48.15 إلى 48.06.

يعني "بلا تدريب مسبق" (zero-shot) هنا غياب أي تكييف على المعيار المستهدف خلال مرحلتَي الإشراف واللعب الذاتي في الورقة. ولا يثبت ذلك أن المكوّنات المدرَّبة مسبقًا لم تصادف قط تلك المجموعات أو مستندات مشابهة لها.

معايير تحليل إضافية

تتحسن الدرجات المجمّعة المبلَّغ عنها أيضًا خارج المجموعات الرئيسية:

• OmniDocBench (مسافة التحرير النصية، الأقل أفضل): يتحسن Qwen3-VL-4B من 0.347 إلى 0.291؛ ويتحسن InternVL من 0.366 إلى 0.312.
• OCRBench v2 (الأعلى أفضل): يرتفع Qwen3 من 49.1 إلى 55.3؛ ويرتفع InternVL من 46.5 إلى 52.0. وتستخدم الورقة متوسطًا متساوي الأوزان بين اللغتين لدرجات الإنجليزية والصينية.
• CC-OCR (الأعلى أفضل): يرتفع Qwen3 من 65.4 إلى 71.0؛ ويرتفع InternVL من 62.7 إلى 67.9. وتبلّغ الورقة عن متوسط متساوي الأوزان بين المسارات.

هذه تحسينات مجمّعة، وليست دليلًا على تحسّن كل مهمة فرعية.

عائد كفاءة البيانات

في مقارنة ميزانية التدريب، يستخدم Qwen3-VL-4B مع SP-DocReader 30,000 صفحة مرجعية متمايزة ويحقق درجة مركّبة قدرها 82.46. أما SFT-2 باستخدام 120,000 صفحة فيسجل 80.73.

تعطي هذه الدرجة المركّبة وزنًا متساويًا لتشابه التحرير المطبَّع على Vary-600K وDocBank وIIT-CDIP (مقيسًا على 0–100) ولـ ANLS على DocVQA وInfographicVQA. فهي تشمل بذلك الأداء داخل التوزيع وبلا تدريب مسبق معًا.

تبدأ كل ميزانية من التهيئة نفسها السابقة للمهمة وتُكمل مرحلة الإشراف الخاصة بها. ولا يرث النموذج ذو الميزانية الأصغر تكيّفًا على المجموعة الأكبر. تدعم النتيجة أداءً أفضل بربع صفحات التدريب المرجعية في هذه المقارنة، وتترك الحوسبة وجهد التوسيم مسألتين منفصلتين.

متانة الدقة

تقيّم الورقة نقاط تفتيش Qwen3-VL-4B ثابتة عبر أربعة إعدادات للصور المصدر. تنطبق تسميات DPI على ملفات PDF ذات الأبعاد الفيزيائية المعروفة؛ أما الصفحات النقطية فقط فتستخدم حدودًا مقابلة للحافة الأطول دون تكبير:

• 48 DPI: يصل SFT-2 إلى 3.41% CER؛ ويصل SP-DocReader إلى 1.74%، أي انخفاضًا نسبيًا بنحو 49%.
• 72 DPI: يصل SFT-2 إلى 2.40%؛ ويصل SP-DocReader إلى 1.11%، أي انخفاضًا بنحو 54%.
• 96 DPI: يصل SFT-2 إلى 1.93%؛ ويصل SP-DocReader إلى 0.92%، أي انخفاضًا بنحو 52%.
• 150 DPI: يصل SFT-2 إلى 1.52%؛ ويصل SP-DocReader إلى 0.71%، أي انخفاضًا بنحو 53%.

يبقى الانخفاض النسبي ضمن نطاق ضيق عبر هذه الإعدادات. ويتلقى كل من الفرع البصري وEasyOCR الصورة المصدر المتغيرة، لذا فهذا يقيس استجابة النظام المركّب للدقة، لا المشفّر البصري وحده.

أي المكوّنات يهم فعلًا؟

تفصل دراسة المكوّنات على Qwen3-VL-4B بين مساهمات الخسارتين مع الإبقاء على أقنعة الفروقات في كل نسخة:

• الخط الأساسي (SFT-2): 2.40% CER على Vary-600K و81.22 ANLS على DocVQA.
• بدون خسارة RDM التبايُنية: تصل FFL وحدها إلى 1.88% CER و83.47 ANLS. ولا يزال هذا الصف يستخدم مواضع مرجعية مختارة بـ LCS.
• بدون FFL: تصل الخسارة التبايُنية إلى 1.57% CER و82.96 ANLS. وهي لا تزال توفر حافزًا نسبيًا لرفع درجات المرجع، لكنها تفتقر إلى الإشراف المباشر الإضافي من FFL.
• SP-DocReader الكامل: يحقق الهدف المدمج أفضل نتيجة في الأعمدة الخمسة المبلَّغ عنها كلها، بما فيها 1.11% CER و84.89 ANLS على DocVQA و58.94 ANLS على InfographicVQA.

ويبدو التجديد مفيدًا كذلك في المقارنة المرسومة. فنقطة تفتيش الجولة الثانية المجدَّدة تصل إلى متوسط قرابة 90.3 بعد حقبتين محليتين، متجاوزةً متوسط فرع القراءة الثابتة البالغ قرابة 89.8 بعد خمس حقب محلية. ويجمع هذا المتوسط بين NED على Vary-600K وNED على DocBank وANLS على DocVQA. يغيّر التجديد الخصم والقراءات المولَّدة والأقنعة معًا؛ ولا يعزل الرسم تأثير كل منها، ولا يثبت تساوي تكلفة التدريب الكلية.

لماذا يهم هذا في هندسة المستندات الواقعية

أمام فرق الهندسة التي تبني خطوط معالجة المستندات، تقدّم الورقة ثلاثة اتجاهات عملية جديرة بالفحص:

1. فكّر في تجميد العمود الفقري اللغوي أثناء تكييف OCR.

   يؤدي الضبط المعياري أداءً أفضل على المهام التي جرى تقييمها بلا تدريب مسبق مع تحديث معاملات أقل. عند SP-DR-3، تبلغ تكلفة التكييف التراكمية المبلَّغ عنها 0.33 ضعف تكلفة تشغيلة SFT-2 كاملة للضبط المشترك، مقابل 1.58 ضعف للضبط المشترك عند SP-DR-3. ويشمل الحساب التهيئة الخاضعة للإشراف والمعالجة المسبقة والتوليد والمحاذاة والتسجيل والتحسين. وهذا يدعم الإعداد المعياري الذي جرى اختباره، لا قاعدة عامة ضد ضبط نماذج اللغة. ومن زاوية خاصة بالعربية، تزيد صعوبة OCR فيها بسبب الخط المتصل المكتوب من اليمين إلى اليسار، وتغيّر شكل الحرف بحسب موضعه، والتشكيل واللُّحمات الاختيارية، وهي تحديات لا تتناولها الورقة التي اقتصرت على الإنجليزية والصينية.

2. اختبر التدريب المركّز على الفروقات قبل افتراض الحاجة إلى مزيد من الصفحات.

   تجعل نتيجة 30,000 مقابل 120,000 صفحة التكييفَ المركّز على الأخطاء جديرًا بالبحث. لكنها لا تُظهر مكاسب مماثلة للفواتير أو بيانات الشحن أو أي مجال إنتاجي محدد آخر. ويتطلب تطبيق الفكرة نسخًا مرجعية وتقييمًا على المستندات التي سيواجهها النظام فعليًا.

3. قِس كلفة الاستدلال للقارئ الكامل.

   تبلّغ الورقة عن كلفة استدلال شاملة تبلغ نحو 10% مقارنةً بالعمود الفقري دون OCR، مقيسةً بحجم دفعة واحد على NVIDIA H20. ويشمل البروتوكول معالجة الصفحة وOCR الخارجي والترميز والتوليد بعد تحميل النموذج. هذه نتيجة مبلَّغ عنها مفيدة، لكن مدى قبول هذه الكلفة يعتمد على بيئة النشر. ولا ينبغي التعامل معها كضمان لزمن الاستجابة مستقل عن العتاد.

حيث يبلغ النهج حدوده

على الرغم من نتائج المعايير القوية، لـ SP-DocReader حدود واضحة:

• نطاق الصفحة الواحدة: تركّز الدراسة على نسخ صفحة واحدة، ولا تُظهر قراءة متعددة الصفحات أو استخلاصًا مهيكلًا. ولا تثبت الأداء على الجداول الممتدة عبر الصفحات أو الاعتماديات على مستوى المستند.
• ميزانيات مخرجات ثابتة: يتوقف التوليد والتقييم في اللعب الذاتي عند EOS أو 1,024 رمزًا جديدًا، دون استكمال أو تجميع. وقد تحدّ هذه الميزانية من تغطية الصفحات الأطول. يقارن البروتوكول النسخ المقيّدة بالسقف مع المراجع الكاملة؛ فبلوغ السقف وحده لا يثبت وجود حذف، وإصدار EOS لا يضمن الاكتمال.
• الاعتماد على OCR خارجي: يستخدم القارئ المعياري نص EasyOCR وصناديقه إلى جانب الميزات البصرية. ولا تثبت الورقة بصورة منفصلة مدى موثوقيته في استعادة المحتوى الذي فاته المحرك الخارجي كليًا.
• أدلة محدودة على اللغات والنماذج: يستخدم التدريب صفحات إنجليزية وصينية، وتغطي التجارب عائلتَي عمود فقري. ولا تثبت النتائج التعميم على لغات أو بنى أخرى.
• أخطاء تعرّف متبقية: تُظهر الأمثلة النوعية تحسّنات، لا نسخًا مثاليًا. ففي المثال الدستوري، يصحّح SP-DocReader سنة الإلغاء لكنه لا يزال يقرأ تاريخ المقطع 16 ديسمبر بدل 18 ديسمبر المعروض في المرجع. وتحتفظ أمثلة أخرى بأخطاء إملائية وأخطاء رموز.

ضمن هذه الحدود، يُظهر SP-DocReader أن اللعب الذاتي المركّز على الفروقات يستطيع تحسين قارئ مستندات معياري إلى ما بعد نقطة انطلاقه الخاضعة للإشراف. والدليل الأقوى ملموس: خطأ نسخ أقل عبر مجموعات القراءة الرئيسية الثلاث على العمودين الفقريين كليهما، ودرجات أفضل في معظم مقارنات الأسئلة والأجوبة المقيَّمة، ومقارنة ميزانية صفحات مرجعية مواتية. يبقى العمود الفقري مجمّدًا، بينما تتعلم وحدة OCR من الفروقات التي تبقى.