¿Hasta dónde puede llevar los datos sintéticos al OCR tailandés? Dentro de la receta que alcanzó un CER mediano del 1.24%
Basado en: How Far Can Synthetic Data Take Thai OCR? — Kunat Pipatanakul
Un acertijo que debería preocupar a cualquiera que entrene modelos de visión de documentos
Tome documentos públicos en inglés, borre su texto, traduzca la mayoría de las etiquetas al tailandés, vuelva a renderizarlas en las regiones originales y entrene un reconocedor de OCR. Luego, tome documentos tailandeses genuinos, borre su texto, vuelva a renderizar sus etiquetas de OCR tailandesas en esos diseños nativos y entrene la misma arquitectura de modelo.
¿Qué modelo funciona mejor con documentos tailandeses reales?
Si adivinó los documentos tailandeses nativos, tendría razón si su modelo lee páginas completas de una vez. Si su modelo procesa regiones recortadas, se equivoca en este experimento. Con entrenamiento a nivel de recorte, el modelo alimentado con fuentes inglesas reconstruidas superó al modelo entrenado con fuentes tailandesas reconstruidas, obteniendo una tasa de error de caracteres mediana del 5,52 % frente al 15,59 % en páginas impresas de retención.
Esa inversión es uno de los hallazgos sorprendentes en How Far Can Synthetic Data Take Thai OCR?, un informe técnico de Kunat Pipatanakul de Wayu Research y Paxa Labs. En lugar de tratar el "realismo" sintético como un único ingrediente, el artículo separa la tipografía, el diseño espacial, el contexto no textual y la variación de glifos, y luego prueba cómo cambian sus contribuciones según la configuración de entrenamiento.
El resultado práctico es Wayu-Paxa-OCR-Zero, un modelo de 0,9 mil millones de parámetros adaptado de PaddleOCR-VL-1.6 utilizando 45.723 páginas sintéticas. En las evaluaciones reportadas, la adaptación reduce la tasa de error de caracteres mediana en páginas impresas del 6,64 % al 1,24 %, reduce el error de escritura manuscrita del 74,87 % al 20,55 % y supera a Typhoon OCR v1 7B en los cinco conjuntos de evaluación.
La descripción "solo sintético" necesita un límite preciso: la adaptación no utiliza páginas de documentos tailandeses reales como imágenes fuente ni supervisión de OCR a nivel de página de esos documentos. Sí utiliza glifos de escritura manuscrita reales y recortes de escritura manuscrita de iApp. También se basa en un punto de control preentrenado existente.
Profundicemos en lo que hace funcionar esta receta sintética, dónde se detienen sus ganancias y qué sugieren los hallazgos para las tuberías de procesamiento de documentos.
El Script que Desafía a los Modelos de Documentos
El artículo parte de una cobertura desigual de idiomas. Los modelos de documentos abiertos, conjuntos de datos y puntos de referencia se centran en inglés y chino, mientras que el tailandés tiene menos etiquetas de documento confiables y de acceso abierto.
Tres detalles hacen que el problema de supervisión sea especialmente relevante aquí:
- Colocación de texto multinivel: Las vocales y marcas de tono tailandesas pueden ocupar varios niveles verticales. El renderizado debe tener en cuenta el texto completo formado, incluidas esas marcas.
- Etiquetas extraídas imperfectas: La extracción de texto de PDF y las pseudoetiquetas de OCR pueden omitir caracteres, reordenar marcas de combinación o corromper el orden de lectura. La corrección manual es costosa.
- Variación de apariencia: Las tipografías impresas y la escritura a mano real exponen un reconocedor a diferentes formas de caracteres. Los experimentos prueban si la diversidad de fuentes y los glifos de escritura a mano muestreados ayudan a cerrar esa brecha.
La reconstrucción sintética ofrece una ventaja útil: el renderizador conoce el texto que coloca y las regiones que utiliza. Eso proporciona al pipeline de entrenamiento etiquetas vinculadas directamente al contenido generado, en lugar de requerir que alguien transcriba cada página terminada.
Pero las etiquetas generadas exactas no garantizan una transferencia exitosa. Un modelo puede aprender de una página sintética y aún así tener dificultades con documentos reales. La pregunta central del artículo es, por lo tanto, precisa: ¿qué propiedades de la página generada realmente ayudan?
También distingue dos significados de supervisión sintética. Algunos experimentos controlados reconstruyen páginas tailandesas reales utilizando sus etiquetas de OCR. La receta final Wayu-Paxa-OCR-Zero utiliza en su lugar documentos fuente en inglés públicos, con texto tailandés y material de escritura a mano introducido durante la generación.
Esas son condiciones de datos diferentes, y mantenerlas separadas es esencial para comprender los resultados.
Reconstrucción Controlada: Disección de la Página Sintética
Pipatanakul presenta una tubería de reconstrucción in situ, vinculada en el artículo como docaug. Comienza con una página fuente y regiones de texto anotadas, borra o rellena (inpaints) los píxeles del texto original y vuelve a renderizar la etiqueta de reemplazo en su región correspondiente.
Este enfoque otorga a los experimentos control sobre cinco propiedades:
- Dominio Fuente: Reconstrucción de páginas públicas en inglés de DocLayNet, Crello y PubTabNet frente a páginas impresas en tailandés reales.
- Contexto No Textual: Mantener los fondos y elementos no textuales de la fuente frente a reemplazarlos por blanco, conservando las regiones de texto.
- Diversidad Tipográfica: Muestreo desde un perfil medido de tipografías tailandesas frente al uso de una sola tipografía.
- Diseño Bidimensional: Preservar la disposición original frente a apilar las regiones verticalmente en orden de lectura.
- Trazos de Escritura a Mano: Renderizado de tipografías manuscritas frente al muestreo de instancias de caracteres reales de un banco de glifos.
El conjunto de datos fuera de dominio traduce la mayor parte del texto fuente al tailandés. Un 7,61 % restante de las páginas conserva sus etiquetas en inglés, aproximando la proporción del idioma inglés en la colección impresa tailandesa real.
El ajuste del texto es una parte crucial del proceso. La tubería moldea cada etiqueta completa a nivel de región con HarfBuzz, selecciona una tipografía y un tamaño de tipo, y reduce el tamaño hasta que el texto quepa en su región original. Si una etiqueta sigue desbordándose en el tamaño mínimo aceptable, se rechaza toda la página.
El resultado es una forma controlada de cambiar la apariencia de las páginas de entrenamiento mientras se conservan las etiquetas conocidas y la geometría de las regiones.
Las Sorpresas: Qué Importa y Qué es Solo Ruido
Utilizando Qwen3-VL-2B-Instruct como banco de pruebas experimental, el autor compara el entrenamiento a nivel de página y a nivel de recorte (crop). La ablatión de propiedades de origen elimina progresivamente el contexto no textual, la diversidad tipográfica y, finalmente, la disposición bidimensional.
Esa secuencia es importante: la fila final combina las tres eliminaciones. Su diferencia con la reconstrucción completa no puede atribuirse únicamente a la disposición.
1. El Contexto No Textual Tiene Poco Efecto Consistente Aquí
Cuando la reconstrucción reemplaza fondos, figuras, líneas y artefactos de escaneo con un lienzo en blanco (White-layout), el rendimiento mediano cambia relativamente poco. En los tres conjuntos de evaluación y ambos entornos de entrenamiento, la tasa mediana de error de caracteres se desplaza en un máximo de 1,62 puntos porcentuales.
En las páginas impresas de Heldout, eliminar el contexto no textual cambia la CER mediana a nivel de página del 5,07 % al 4,78 %, y la CER mediana a nivel de recorte del 5,52 % al 4,86 %.
La media ponderada por caracteres es menos uniforme. Para el reconocimiento impreso a nivel de página, aumenta del 16,90 % al 21,05 %, incluso mientras la mediana mejora. Bajo entrenamiento a nivel de recorte, disminuye del 19,09 % al 16,69 %.
La conclusión respaldada es más estrecha que "los fondos no importan". El contexto no textual retenido aporta poco beneficio consistente de CER en estos experimentos de reconstrucción. El estudio no prueba por separado cada tipo de daño simulado del papel, efecto de iluminación o degradación del propio texto.
2. La Diversidad Tipográfica Ayuda a la Transferencia de Escritura a Mano
El autor analiza 8.000 páginas de PDF públicas en tailandés y encuentra una distribución de tipografías concentrada. De los 693 nombres de familia observados, los diez principales representan el 80,9 % de los caracteres tailandeses:
- 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 %
- Todas las demás 683 familias combinadas: 19,1 %
Reemplazar este perfil diverso con una única tipografía, TH Sarabun New, aumenta la CER mediana impresa en 0,56 puntos porcentuales bajo entrenamiento a nivel de página y 2,15 puntos bajo entrenamiento a nivel de recorte, en relación con la variante de fondo blanco.
Las pérdidas en escritura a mano son mayores. En el conjunto más amplio de Handwriting, la CER mediana aumenta del 43,16 % al 49,86 % bajo entrenamiento a nivel de página, un aumento de 6,70 puntos. Bajo entrenamiento a nivel de recorte, aumenta del 50,77 % al 62,13 %, un aumento de 11,36 puntos.
Easy Handwriting muestra la misma dirección, con aumentos de 9,48 y 13,37 puntos respectivamente.
El experimento respalda un hallazgo práctico: la diversidad tipográfica ayuda a la transferencia a escritura a mano. No establece exactamente qué características internas de los caracteres aprende el modelo, ni que una pequeña selección de las fuentes más comunes reproduciría los resultados del perfil completo.
3. Aplanar la Disposición Daña Más la Escritura a Mano
¿Qué ocurre cuando las regiones de texto restantes se apilan verticalmente en orden de lectura? Los investigadores prueban esto con Linear-white-single-font, basándose en la condición de fondo blanco y fuente única.
En Handwriting, la CER mediana a nivel de recorte aumenta del 62,13 % al 70,17 %. Bajo entrenamiento a nivel de página, aumenta del 49,86 % al 58,40 %. Ambas medianas de Easy Handwriting también empeoran.
El reconocimiento impreso se comporta de manera diferente. La CER mediana a nivel de recorte aumenta del 7,01 % al 9,60 %, mientras que la mediana a nivel de página cambia del 5,34 % al 5,07 %.
Por lo tanto, la disposición espacial importa para la transferencia de escritura a mano en ambos entornos, y para el reconocimiento impreso en la comparación a nivel de recorte. Los resultados no muestran una degradación universal en cada métrica ni establecen el mecanismo detrás del efecto a nivel de recorte.
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%
## La Inversión de la Granularidad: Nivel de Página vs. Nivel de Recorte
El resultado más intrigante es cómo la granularidad del entrenamiento cambia los datos de origen preferidos. El artículo compara dos configuraciones:
- **Nivel de Página**: El modelo recibe una imagen completa del documento y genera un objeto JSON que contiene regiones, cajas delimitadoras, categorías y texto en orden de lectura.
- **Nivel de Recorte**: El reconocedor se entrena con regiones anotadas individualmente. Durante la inferencia, un detector de disposición proporciona recortes para el reconocimiento, por lo que las puntuaciones de la tubería reportadas incluyen errores de detección y de orden de lectura.
Cuando el autor compara los documentos tailandeses reconstruidos con las fuentes en inglés reconstruidas, el ganador cambia.
Inversión de la Granularidad de Entrenamiento: CER Mediana en Impresión de Retención
Modelo de Nivel de Página (Qwen3-VL-2B-Instruct): • Reconstrucciones Tailandesas en Dominio: 1.82% <-- CER más bajo • Reconstrucciones Fuera de Dominio: 5.07%
Modelo de Nivel de Recorte (Qwen3-VL-2B-Instruct): • Reconstrucciones Tailandesas en Dominio: 15.59% • Reconstrucciones Fuera de Dominio: 5.52% <-- CER más bajo
La inversión también aparece en ambos conjuntos de escritura a mano. La reconstrucción en dominio mejora la mediana de escritura a mano de nivel de página del 43.99% al 36.27%, pero empeora la mediana de nivel de recorte del 49.15% al 52.77%.
¿Por qué ocurre esto? El artículo deja explícitamente la causa sin resolver.
Los dos sistemas reciben diferentes cantidades de contexto del documento, pero esa distinción por sí sola no establece por qué una fuente gana. El estudio no demuestra que los recortes de fuente en inglés sean más variados, que los bloques de texto administrativo tailandés sean más uniformes, o que alguna de estas propiedades cause la inversión.
Lo que sí establece es suficiente para cambiar un plan experimental: no se puede asumir que la coincidencia del dominio de origen ayude a cada arquitectura de reconocimiento. En esta comparación, una fuente que mejora sustancialmente el reconocimiento de nivel de página empeora sustancialmente el reconocimiento impreso de nivel de recorte.
## El problema de la escritura a mano: contornos de fuente vs. glifos reales
Una tipografía de escritura a mano generalmente repite el mismo contorno subyacente cada vez que aparece el mismo carácter. Un banco de instancias reales de escritura a mano permite al renderizador introducir variación entre esas ocurrencias.
El artículo prueba si esa diferencia mejora la transferencia. Su variante de tipografía de escritura a mano muestrea desde el banco completo de 693 familias de fuentes en lugar del perfil medido; el 24,0 % de las páginas usan una tipografía de escritura a mano, y la mitad de ellas reciben distorsión de trazo por instancia.
La variante de glifos reales redibuja el mismo subconjunto de escritura a mano utilizando imágenes de caracteres muestreadas. Las etiquetas, anotaciones de región, altura de tinta y color de tinta permanecen fijas.
El banco de glifos proviene de una tubería de múltiples etapas:
1. **Detección**: Un detector basado en YOLOv8 produce aproximadamente 5,70 millones de cajas candidatas de glifos a partir de imágenes de líneas de escritura a mano de iApp y la división de entrenamiento Real Thai Handwriting.
2. **Alineación y filtrado**: Los candidatos se alinean con etiquetas de línea formadas, se verifican con un clasificador de glifos o un OCR comercial, y se filtran por tamaño y forma, dejando 534.404 candidatos.
3. **Verificación VLM**: Gemini 3.5 Flash verifica los candidatos muestreados, confirmando 12.090 instancias.
4. **Ensamblaje**: El artículo informa un banco final de 5.953 instancias de glifos en 76 clases de caracteres, ensambladas mediante muestreo entre escritores.
Tubería de glifos de escritura a mano: [5,70M Candidatos] -> [534K Filtrados] -> [12.090 Verificados] -> [5.953 Instancias del Banco]
Durante el renderizado, las ocurrencias de caracteres compatibles se muestrean de forma independiente. Por lo tanto, los caracteres repetidos pueden recibir trazos diferentes, aunque el muestreo independiente no garantiza una instancia diferente cada vez. El proceso no impone un escritor consistente dentro de una página.
En las páginas redibujadas, el banco cubre el 96,3 % de las instancias de caracteres tailandeses. Los caracteres no compatibles vuelven a la tipografía de la página.
Los resultados en la Tabla 5 muestran un beneficio consistente de la escritura a mano:
- Los datos sintéticos fuera de dominio base logran un CER mediano del **43,99 %** en Escritura a mano bajo entrenamiento a nivel de página.
- Agregar tipografías de escritura a mano lo reduce al **38,65 %**.
- Usar instancias de glifos reales lo reduce aún más al **37,91 %**, y alcanza el **30,66 %** en Escritura a mano fácil.
Las medianas de escritura a mano a nivel de recorte también mejoran cuando los glifos reales reemplazan las tipografías de escritura a mano.
Permanece la brecha con la supervisión de escritura a mano real. El entrenamiento en Real Thai Print más Escritura a mano alcanza un CER mediano del **26,05 %** en Escritura a mano y del **20,79 %** en Escritura a mano fácil. Esas etiquetas de datos reales se construyen mediante una tubería de pseudoetiquetado OCR-y-VLM, en lugar de describirse como transcripciones humanas.
El artículo deja el efecto de un banco de glifos más grande para estudios futuros. No aísla qué características restantes de la escritura a mano explican la brecha.
## Wayu-Paxa-OCR-Zero: El Modelo Resultante
Tomando las lecciones de los experimentos de ablación, el autor adapta **PaddleOCR-VL-1.6** a **Wayu-Paxa-OCR-Zero**, manteniendo su arquitectura de 0.9B de parámetros.
Durante la inferencia, PP-DocLayoutV3 proporciona las regiones al reconocedor. Para el entrenamiento de PaddleOCR-VL, los objetivos de tablas utilizan el Lenguaje de Estructura de Tabla Optimizado (OTSL); se eliminan las tablas cuyos *spans* no pueden representarse fielmente.
La colección de entrenamiento contiene **45,723 páginas sintéticas**:
- **39,534 páginas sintéticas base** de DocLayNet, Crello y PubTabNet, que incluyen tanto renderizados con tipografías de escritura a mano como copias con glifos reales de 7,131 páginas.
- **3,999 páginas centradas en escritura a mano**: 3,000 páginas de DocLayNet-v1.2 disjuntas renderizadas con glifos de escritura a mano y 999 páginas sintéticas con recortes de escritura a mano de iApp pegados.
- **2,190 formularios sintéticos** reconstruidos a partir de plantillas de CommonForms, con glifos cosidos en los valores de los campos.
Las fuentes públicas en inglés proporcionan los documentos y plantillas de origen. No se utiliza ninguna página de documento tailandés real del estudio controlado como página de origen para esta receta final.
Esto no significa que la pipeline no tenga entrada de escritura a mano tailandesa real. Su banco de glifos incluye material extraído de la división de entrenamiento de Real Thai Handwriting, y sus páginas adicionales incluyen recortes de iApp. "Solo sintético" describe las páginas de entrenamiento generadas y su supervisión, no la ausencia de material de escritura a mano real en cualquier parte de la construcción de datos.
Todos los parámetros de 0.9B se entrenan durante una época, utilizando una tasa de aprendizaje de 3 × 10⁻⁵, una programación coseno, una relación de calentamiento de 0.03 y un tamaño de lote efectivo de 16.
### Comparación Directa en Benchmarks
El artículo evalúa cinco conjuntos: Páginas impresas en tailandés de retención (301 páginas), Escritura a mano (200 páginas), Escritura a mano fácil (200 páginas), ThaiOCRBench y el subconjunto limpio de 1,148 páginas en tailandés de SEA-DocBench.
Los resultados de ThaiOCRBench promedian cada agregado a través de cinco tareas de lectura auditadas. Escritura a mano fácil selecciona páginas con bajo desacuerdo entre dos sistemas de reconocimiento de escritura a mano propietarios.
Rendimiento Comparativo: CER en Porcentaje; Menor es Mejor
Benchmark 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 Adaptado)
Heldout (Print) - Med 6.64% 1.24% 2.54% 0.21% 0.00% Heldout (Print) - Mean 27.60% 14.75% 18.27% 5.47% 3.56%
Handwriting - Med 74.87% 20.55% 43.60% 19.36% 11.29% Handwriting - Mean 67.90% 22.28% 49.36% 21.86% 15.04%
Easy Handwriting - Med 73.74% 14.18% 34.99% 9.02% 3.89% Easy Handwriting - Mean 69.41% 17.08% 45.06% 15.74% 7.64%
ThaiOCRBench - Med 38.0% 15.3% 30.6% 6.2% 0.9% ThaiOCRBench - Mean 43.3% 25.6% 44.7% 16.8% 3.8%
SEA-DocBench - Med 8.87% 4.86% 9.22% 5.81% 5.51% SEA-DocBench - Mean 18.54% 9.99% 17.57% 12.80% 10.62%
Los números revelan varios logros destacados:
1. **Mejora sustancial sobre el modelo base**: La receta sintética reduce tanto la CER mediana como la media en cada conjunto de evaluación. La CER mediana impresa cae del 6.64% al 1.24%, y la CER mediana de escritura a mano cae del 74.87% al 20.55%.
2. **Superar a un modelo casi ocho veces su tamaño**: Wayu-Paxa-OCR-Zero supera a Typhoon OCR 7B en los cinco conjuntos. Su CER mediana de escritura a mano es menos de la mitad del 43.60% del modelo de 7B.
3. **Un fuerte resultado en páginas limpias de tailandés de SEA-DocBench**: Su CER mediana del 4.86% y media del 9.99% son menores que las de los cuatro sistemas de comparación en ese subconjunto, incluyendo Gemini 3.7 Flash.
El Typhoon OCR 1.5 2B más nuevo aún lidera a Wayu-Paxa-OCR-Zero en los otros cuatro conjuntos de evaluación. Gemini 3.7 Flash tiene la CER más baja en los tres conjuntos internos y en ThaiOCRBench.
Estas comparaciones establecen competitividad bajo la evaluación reportada. No establecen que la supervisión sintética sea intrínsecamente mejor que los datos de entrenamiento utilizados por otros sistemas, que difieren en arquitectura, escala, preentrenamiento y supervisión.
## La Trampa de las Métricas: Por Qué la Mediana y la Media Cuentan Historias Diferentes
Observen de cerca los resultados impresos de Wayu-Paxa-OCR-Zero: la CER mediana es **1.24%**, pero la CER media es **14.75%**.
¿Por qué existe una brecha tan grande?
Los dos agregados responden preguntas diferentes:
- **CER mediana** es la tasa de error de página mediana. Describe el centro de la distribución de páginas evaluadas, sin establecer la precisión para ninguna categoría de documento en particular.
- **CER media** está ponderada por caracteres. Las páginas más largas contribuyen más, y las páginas con altas tasas de error pueden contribuir de manera desproporcionada al agregado.
También hay un detalle de puntuación detrás de cada número reportado. El artículo utiliza **CER proyectada**: las predicciones se normalizan y se alinean de forma difusa con las regiones de texto evaluadas antes de puntuar. El texto fuera de los intervalos reclamados se descarta, mientras que los errores dentro de los intervalos reclamados y las regiones evaluadas faltantes siguen siendo imputables.
El algoritmo elimina el espacio en blanco y el marcado o contenido especificado durante la normalización y limita la CER de cada página al 100%. La media reportada es el promedio ponderado por caracteres de esas puntuaciones de página limitadas. Por lo tanto, no son puntuaciones de transcripción de documento completo sin filtrar.
Un ejemplo hipotético simple muestra por qué los agregados pueden divergir:
Diez Páginas de Longitud Igual: Nueve páginas con 1% de CER Una página con 85% de CER
CER mediana: 1% CER media: 9.4%
La brecha real entre mediana y media es consistente con el hecho de que las páginas más difíciles contribuyen de manera desproporcionada al error agregado. La tabla por sí sola no identifica modos de fallo particulares ni nos dice cuántas páginas los sufrieron.
La comparación con supervisión real hace concreta la limitación. Con entrenamiento a nivel de página coincidente, la Sintética en Dominio alcanza una CER mediana de **1.82%** frente a **1.31%** para la Impresión Tailandesa Real. Pero su media es **16.20%**, en comparación con **9.79%** para la supervisión impresa real.
Esas etiquetas de datos reales provienen de Azure OCR seguido de normalización VLM. Las referencias de evaluación interna también son pseudoetiquetas, producidas utilizando Azure OCR y Gemini 2.5 Flash.
Los enfoques de reconstrucción se acercan a la supervisión real en la página impresa típica de este experimento, mientras dejan una brecha más grande en el agregado ponderado por caracteres.
## Por qué importa: Una hoja de ruta pragmática para equipos de Document AI
Para los equipos que trabajan con tailandés u otros idiomas con anotaciones de documentos limitadas, el artículo ofrece un manual experimental útil. Sus lecciones más importantes conciernen qué medir y comparar, en lugar de reglas universales para producción.
### 1. Evaluar el valor del contexto no textual
Los fondos retenidos y los elementos no textuales aportan poco beneficio consistente en CER aquí. Por lo tanto, una reconstrucción con fondo blanco es una comparación útil antes de invertir fuertemente en el contexto de la página de origen. Los resultados no justifican descartar cualquier forma de modelado de degradación sin probarla.
### 2. Preservar y evaluar la diversidad de fuentes
El perfil medido proporciona un punto de partida fundamentado para renderizar documentos tailandeses. Reemplazarlo por una sola tipografía perjudica la transferencia de escritura manuscrita. El estudio respalda la diversidad frente a esa línea base de una sola fuente; no demuestra que retener solo las diez o veinte fuentes principales sea suficiente.
### 3. Alinear los experimentos de datos con la arquitectura del modelo
Evalúe los conjuntos de datos de origen candidatos utilizando la granularidad de entrenamiento que pretende usar. La reconstrucción dentro del dominio gana para el reconocimiento impreso a nivel de página aquí, mientras que la reconstrucción fuera del dominio gana para el reconocimiento a nivel de recorte. Ningún resultado establece un requisito universal para usar un solo dominio de origen.
### 4. Probar bancos de glifos reales para escritura manuscrita
Las tipografías de escritura manuscrita ya mejoran el reconocimiento de escritura manuscrita en estos experimentos. Las instancias de glifos reales añaden ganancias adicionales. Por lo tanto, un banco de glifos verificado es un complemento prometedor, manteniendo las fuentes de evaluación separadas del material utilizado para construirlo. El estudio no establece un tamaño óptimo de banco ni elimina la brecha con la supervisión de escritura manuscrita real.
### 5. Evaluar más allá de la página típica
La mediana baja es solo parte del resultado. El mayor error ponderado por caracteres hace que las páginas difíciles sean una parte importante de cualquier evaluación de seguimiento. El artículo no informa sobre tasas de aceptación en producción, calibración de confianza o un sistema de enrutamiento validado, por lo que sus puntuaciones de referencia no pueden establecer esas propiedades de despliegue.
## El horizonte para el análisis de documentos sintéticos
Wayu-Paxa-OCR-Zero demuestra que la reconstrucción de documentos sintéticos puede respaldar una adaptación competitiva del OCR en tailandés. Un modelo con menos de mil millones de parámetros mejora sustancialmente su punto de control base y supera a Typhoon OCR 7B en cinco conjuntos de evaluación, sin utilizar páginas tailandesas reales como documentos fuente para dicha adaptación.
El resultado es más fuerte cuando sus límites permanecen visibles: el material de escritura a mano real contribuye a las páginas sintéticas, los sistemas de comparación más recientes mantienen ventajas sustanciales en varios conjuntos y los errores graves siguen siendo importantes.
Las preguntas abiertas señalan hacia experimentos concretos siguientes:
- **Variación más amplia de escritura a mano**: Los glifos reales ayudan, pero los modelos controlados aún se quedan atrás respecto al entrenamiento con páginas de escritura a mano reales. El efecto de un banco de glifos más amplio permanece sin probar.
- **Explicar la inversión entre recorte y página**: La inversión del dominio de origen es sustancial, pero su causa no está resuelta. Comprenderla podría ayudar a explicar qué propiedades de reconstrucción se transfieren en cada granularidad de entrenamiento.
- **Cerrar la brecha de error agregado**: La reconstrucción sintética se acerca a la supervisión impresa real en la CER mediana, mientras que se queda más claramente atrás en la CER media ponderada por caracteres. Una cobertura más amplia de diseño, tipografía y escritura a mano siguen siendo direcciones para mejorar la generalización.
Para la IA de documentos, este artículo otorga a la "calidad de los datos" un significado más comprobable. La diversidad de tipos de letra, la estructura bidimensional, la variación de glifos y la granularidad del entrenamiento pueden variar y evaluarse por separado. Esa es la contribución más útil de la receta: una forma de investigar qué ingredientes sintéticos merecen su lugar.