Até onde os dados sintéticos podem levar o OCR tailandês? Dentro da receita que atingiu 1,24% de CER mediano

Um quebra-cabeça que deve incomodar qualquer pessoa treinando modelos de visão de documentos

Considere este quebra-cabeça que deve incomodar qualquer pessoa treinando modelos de visão de documentos: pegue documentos públicos em inglês, apague o texto, traduza a maioria dos rótulos para tailandês, renderize-os de volta nas regiões originais e treine um reconhecedor de OCR. Em seguida, pegue documentos tailandeses genuínos, apague o texto, renderize os rótulos de OCR tailandeses de volta naqueles layouts nativos e treine a mesma arquitetura de modelo.

Qual modelo performa melhor em documentos tailandeses reais?

Se você chutou os documentos tailandeses nativos, estaria certo se o seu modelo lê páginas inteiras de uma vez. Se o seu modelo processa regiões recortadas (crops), você estaria errado neste experimento. Sob treinamento em nível de recorte, o modelo alimentado com fontes inglesas reconstruídas superou o modelo treinado com fontes tailandesas reconstruídas, apresentando uma taxa de erro de caractere mediana de 5,52% contra 15,59% em páginas impressas retidas para teste.

Essa inversão é uma das descobertas surpreendentes em How Far Can Synthetic Data Take Thai OCR?, um relatório técnico de Kunat Pipatanakul, da Wayu Research e Paxa Labs. Em vez de tratar o “realismo” sintético como um único ingrediente, o artigo separa tipografia, layout espacial, contexto não textual e variação de glifos, testando como suas contribuições mudam com a configuração de treinamento.

O resultado prático é o Wayu-Paxa-OCR-Zero, um modelo de 0,9 bilhão de parâmetros adaptado do PaddleOCR-VL-1.6 usando 45.723 páginas sintéticas. Nas avaliações relatadas, a adaptação reduz a taxa de erro de caractere mediana em páginas impressas de 6,64% para 1,24%, corta o erro em manuscritos de 74,87% para 20,55% e supera o Typhoon OCR v1 7B em todos os cinco conjuntos de avaliação.

A descrição “apenas sintético” precisa de um limite preciso: a adaptação não usa páginas de documentos tailandeses reais como imagens de origem e não usa supervisão de OCR em nível de página desses documentos. Ela usa glifos de manuscritos reais e recortes de manuscritos do iApp. Também se baseia em um checkpoint pré-treinado existente.

Vamos analisar o que faz essa receita sintética funcionar, onde seus ganhos param e o que as descobertas sugerem para pipelines de processamento de documentos.

O Script que Desafia Modelos de Documentos

O artigo parte da cobertura desigual de idiomas. Modelos abertos de documentos, conjuntos de dados e benchmarks concentram-se no inglês e no chinês, enquanto o tailandês possui menos rótulos de documentos confiáveis e abertamente disponíveis.

Três detalhes tornam o problema de supervisão especialmente relevante aqui:

1. Posicionamento de texto em múltiplos níveis: As vogais e marcas de tom tailandesas podem ocupar vários níveis verticais. A renderização precisa levar em conta o texto completo formado, incluindo essas marcas.
2. Rótulos extraídos imperfeitos: A extração de texto de PDF e os pseudo-rótulos de OCR podem omitir caracteres, reordenar marcas de combinação ou corromper a ordem de leitura. A correção manual é custosa.
3. Variação de aparência: Tipos de letra impressos e caligrafia real expõem um reconhecedor a diferentes formas de caracteres. Os experimentos testam se a diversidade de fontes e glifos de caligrafia amostrados ajudam a superar essa lacuna.

A reconstrução sintética oferece uma vantagem útil: o renderizador conhece o texto que coloca e as regiões que utiliza. Isso fornece ao pipeline de treinamento rótulos vinculados diretamente ao conteúdo gerado, em vez de exigir que alguém transcreva cada página finalizada.

Mas rótulos gerados exatos não garantem transferência bem-sucedida. Um modelo pode aprender a partir de uma página sintética e ainda ter dificuldade com documentos reais. A pergunta central do artigo é, portanto, precisa: quais propriedades da página gerada realmente ajudam?

Ele também distingue dois significados de supervisão sintética. Alguns experimentos controlados reconstruem páginas tailandesas reais usando seus rótulos de OCR. A receita final Wayu-Paxa-OCR-Zero, em vez disso, usa documentos fonte públicos em inglês, com texto tailandês e material de caligrafia introduzidos durante a geração.

Estas são condições de dados diferentes, e mantê-las separadas é essencial para entender os resultados.

Reconstrução Controlada: Dissecando a Página Sintética

Pipatanakul apresenta um pipeline de reconstrução in-place, referenciado no artigo como docaug. Ele começa com uma página de origem e regiões de texto anotadas, apaga ou preenche (inpaint) os pixels de texto originais e renderiza o rótulo de substituição de volta em sua região correspondente.

Essa abordagem oferece controle experimental sobre cinco propriedades:

• Domínio de Origem: Reconstruir páginas públicas em inglês do DocLayNet, Crello e PubTabNet versus páginas impressas reais em tailandês.
• Contexto Não-Textual: Manter os fundos e elementos não textuais da origem versus substituí-los por branco, mantendo as regiões de texto.
• Diversidade Tipográfica: Amostragem de um perfil de fontes tailandesas mensurado versus o uso de uma única fonte.
• Layout Bidimensional: Preservar o arranjo original versus empilhar as regiões verticalmente na ordem de leitura.
• Traços de Escrita à Mão: Renderizar fontes de estilo manuscrito versus amostrar instâncias reais de caracteres de um banco de glifos.

O conjunto de dados fora do domínio traduz a maior parte do texto de origem para o tailandês. Os 7,61% restantes das páginas mantêm seus rótulos em inglês, aproximando a proporção de língua inglesa presente na coleção impressa tailandesa real.

O ajuste de texto é uma parte crucial do processo. O pipeline formata cada rótulo completo em nível de região com o HarfBuzz, amostra uma fonte e um tamanho de tipo, e reduz o tamanho até que o texto caiba em sua região original. Se um rótulo ainda transbordar no tamanho mínimo aceitável, a página inteira é rejeitada.

O resultado é uma maneira controlada de alterar a aparência das páginas de treinamento, mantendo os rótulos conhecidos e a geometria das regiões.

As Surpresas: O Que Importa e O Que É Apenas Ruído

Usando o Qwen3-VL-2B-Instruct como banco de testes experimental, o autor compara o treinamento em nível de página e em nível de recorte (crop). A ablação de propriedades da fonte remove progressivamente o contexto não textual, a diversidade de fontes e, em seguida, o layout bidimensional.

Essa sequência é importante: a última linha combina as três remoções. Sua diferença em relação à reconstrução completa não pode ser atribuída apenas ao layout.

1. O Contexto Não Textual Tem Pouco Efeito Consistente Aqui

Quando a reconstrução substitui fundos, figuras, linhas e artefatos de digitalização por um canvas branco (White-layout), a performance mediana muda relativamente pouco. Nos três conjuntos de avaliação e em ambas as configurações de treinamento, a taxa mediana de erro de caractere (CER) varia em no máximo 1,62 pontos percentuais.

Nas páginas de impressão do conjunto Heldout, a remoção do contexto não textual altera a CER mediana em nível de página de 5,07% para 4,78% e a CER mediana em nível de recorte de 5,52% para 4,86%.

A média ponderada por caracteres é menos uniforme. Para o reconhecimento de impressão em nível de página, ela aumenta de 16,90% para 21,05%, mesmo com a melhora da mediana. Sob treinamento em nível de recorte, ela cai de 19,09% para 16,69%.

A conclusão sustentada é mais restrita do que "fundos não importam". O contexto não textual retido oferece pouco benefício consistente de CER nestes experimentos de reconstrução. O estudo não testa separadamente cada tipo de dano simulado no papel, efeito de iluminação ou degradação do próprio texto.

2. A Diversidade de Fontes Ajuda na Transferência para Manuscritos

O autor analisa 8.000 páginas de PDF públicas em tailandês e encontra uma distribuição de tipos de letra concentrada. Das 693 famílias de fontes observadas, as dez principais representam 80,9% dos 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 as outras 683 famílias combinadas: 19,1%

Substituir esse perfil diversificado por uma única fonte, TH Sarabun New, aumenta a CER mediana de impressão em 0,56 pontos percentuais sob treinamento em nível de página e em 2,15 pontos sob treinamento em nível de recorte, em relação à variante de fundo branco.

As perdas em manuscritos são maiores. No conjunto mais amplo de Manuscritos, a CER mediana aumenta de 43,16% para 49,86% sob treinamento em nível de página, um aumento de 6,70 pontos. Sob treinamento em nível de recorte, aumenta de 50,77% para 62,13%, um aumento de 11,36 pontos.

Manuscritos Fáceis mostram a mesma direção, com aumentos de 9,48 e 13,37 pontos, respectivamente.

O experimento sustenta uma conclusão prática: a diversidade de tipos de letra ajuda na transferência para manuscritos. Ele não estabelece exatamente quais características internas dos caracteres o modelo aprende, nem que uma pequena seleção das fontes mais comuns reproduziria os resultados do perfil completo.

3. Achatar o Layout Prejudica Ainda Mais os Manuscritos

O que acontece quando as regiões de texto restantes são empilhadas verticalmente na ordem de leitura? Os pesquisadores testam isso com Linear-white-single-font, construindo sobre a condição de fundo branco e fonte única.

Em Manuscritos, a CER mediana em nível de recorte aumenta de 62,13% para 70,17%. Sob treinamento em nível de página, aumenta de 49,86% para 58,40%. Ambas as medianas de Manuscritos Fáceis também pioram.

O reconhecimento de impressão comporta-se de forma diferente. A CER mediana em nível de recorte aumenta de 7,01% para 9,60%, enquanto a mediana em nível de página muda de 5,34% para 5,07%.

Portanto, o arranjo espacial importa para a transferência de manuscritos em ambas as configurações e para o reconhecimento de impressão na comparação em nível de recorte. Os resultados não mostram degradação universal em todas as métricas nem estabelecem o mecanismo por trás do efeito em nível de recorte.

Ablações Sucessivas: Treinamento Fora de Domínio em Nível de Recorte
-------------------------------------------------------------
Variante de Treinamento               CER Med. Heldout    CER Med. Manuscritos
Síntese Completa Fora de Domínio            5,52%              49,15%
Remover contexto não textual               4,86%              50,77%
Também remover diversidade de fontes       7,01%              62,13%
Também remover layout bidimensional        9,60%              70,17%

## A Inversão de Granularidade: Nível de Página vs. Nível de Recorte

O resultado mais intrigante é como a granularidade do treinamento altera os dados de origem preferenciais. O artigo compara duas configurações:

- **Nível de Página**: O modelo recebe uma imagem completa do documento e gera um objeto JSON contendo regiões, caixas delimitadoras, categorias e texto na ordem de leitura.
- **Nível de Recorte**: O reconhecedor é treinado em regiões anotadas individualmente. Na inferência, um detector de layout fornece os recortes para reconhecimento, portanto, as pontuações do pipeline relatadas incluem erros de detecção e de ordem de leitura.

Quando o autor compara documentos tailandeses reconstruídos com fontes em inglês reconstruídas, o vencedor se inverte.

Inversão da Granularidade de Treinamento: CER Mediana em Impressos Retidos

Modelo de Nível de Página (Qwen3-VL-2B-Instruct): • Reconstruções Tailandesas no Domínio: 1,82% <-- CER Mais Baixo • Reconstruções Fora do Domínio: 5,07%

Modelo de Nível de Recorte (Qwen3-VL-2B-Instruct): • Reconstruções Tailandesas no Domínio: 15,59% • Reconstruções Fora do Domínio: 5,52% <-- CER Mais Baixo

A inversão também aparece em ambos os conjuntos de manuscritos. A reconstrução no domínio melhora a mediana de Manuscritos do modelo de nível de página de 43,99% para 36,27%, mas piora a mediana do modelo de nível de recorte de 49,15% para 52,77%.

Por que isso acontece? O artigo deixa explicitamente a causa sem resolução.

Os dois sistemas recebem quantidades diferentes de contexto do documento, mas essa distinção por si só não estabelece por que uma fonte vence. O estudo não demonstra que os recortes de fonte em inglês são mais variados, que os blocos de texto administrativo tailandês são mais uniformes, ou que qualquer uma dessas propriedades causa a inversão.

O que ele estabelece é suficiente para mudar um plano experimental: não se pode assumir que a correspondência do domínio de origem ajude todas as arquiteturas de reconhecimento. Nesta comparação, uma fonte que melhora substancialmente o reconhecimento de nível de página piora substancialmente o reconhecimento impresso de nível de recorte.

## O Problema da Caligrafia: Contornos de Fonte vs. Glifos Reais

Uma fonte de caligrafia geralmente repete o mesmo contorno subjacente sempre que o mesmo caractere aparece. Um banco de instâncias reais de caligrafia permite que o renderizador introduza variação entre essas ocorrências.

O artigo testa se essa diferença melhora a transferência. Sua variante de fonte de caligrafia amostra todo o banco de 693 famílias de fontes, em vez do perfil medido; 24,0% das páginas usam uma fonte de caligrafia, e metade dessas recebem distorção de traço por instância.

A variante de glifo real redesenha o mesmo subconjunto de caligrafia usando imagens de caracteres amostradas. Rótulos, anotações de região, altura da tinta e cor da tinta permanecem fixos.

O banco de glifos vem de um pipeline em múltiplos estágios:

1. **Detecção**: Um detector baseado em YOLOv8 produz aproximadamente 5,70 milhões de caixas de glifos candidatos a partir de imagens de linhas de caligrafia do iApp e da divisão de treinamento Real Thai Handwriting.
2. **Alinhamento e Filtragem**: Os candidatos são alinhados aos rótulos de linha formatados, verificados com um classificador de glifos ou OCR comercial e filtrados por tamanho e forma, restando 534.404 candidatos.
3. **Verificação por VLM**: O Gemini 3.5 Flash verifica os candidatos amostrados, confirmando 12.090 instâncias.
4. **Montagem**: O artigo relata um banco final de 5.953 instâncias de glifos em 76 classes de caracteres, montadas usando amostragem entre escritores.

Pipeline de Glifos de Caligrafia: [5,70M Candidatos] -> [534K Filtrados] -> [12.090 Verificados] -> [5.953 Instâncias do Banco]

Durante a renderização, as ocorrências de caracteres suportados são amostradas independentemente. Portanto, caracteres repetidos podem receber traços diferentes, embora a amostragem independente não garanta uma instância diferente a cada vez. O processo não impõe um escritor consistente dentro de uma página.

Nas páginas redesenhadas, o banco cobre 96,3% das instâncias de caracteres tailandeses. Caracteres não suportados recaem para a fonte da página.

Os resultados na Tabela 5 mostram um benefício consistente da caligrafia:

- Dados sintéticos fora de domínio base alcançam **43,99%** de CER mediano em Caligrafia sob treinamento em nível de página.
- Adicionar fontes de caligrafia reduz para **38,65%**.
- Usar instâncias de glifos reais reduz ainda mais para **37,91%**, e atinge **30,66%** em Caligrafia Fácil.

Medianas de caligrafia em nível de recorte também melhoram quando glifos reais substituem fontes de caligrafia.

A lacuna para supervisão de caligrafia real permanece. Treinar em Real Thai Print mais Caligrafia atinge **26,05%** de CER mediano em Caligrafia e **20,79%** em Caligrafia Fácil. Esses rótulos de dados reais são construídos através de um pipeline de pseudo-rotulagem OCR-e-VLM, em vez de serem descritos como transcrições humanas.

O artigo deixa o efeito de um banco de glifos maior para estudo futuro. Ele não isola quais características restantes de caligrafia explicam a lacuna.


![página de caderno de estudo manuscrita](https://dzeokqqozcnzbpxvsniv.supabase.co/storage/v1/object/public/blog-images/arxiv-2609.03595/ai-2.jpg)

## Wayu-Paxa-OCR-Zero: O Modelo Resultante

Com base nas lições aprendidas com as ablações, o autor adapta o **PaddleOCR-VL-1.6** para o **Wayu-Paxa-OCR-Zero**, mantendo sua arquitetura de 0,9B de parâmetros.

Na inferência, o PP-DocLayoutV3 fornece regiões para o reconhecedor. Para o treinamento do PaddleOCR-VL, os alvos de tabela utilizam a Linguagem de Estrutura de Tabela Otimizada (OTSL); tabelas cujas extensões não podem ser representadas com fidelidade são removidas.

A coleção de treinamento contém **45.723 páginas sintéticas**:

- **39.534 páginas sintéticas base** do DocLayNet, Crello e PubTabNet, incluindo tanto renderizações em fontes manuscritas quanto cópias de glifos reais de 7.131 páginas.
- **3.999 páginas focadas em manuscrito**: 3.000 páginas do DocLayNet-v1.2 disjuntas renderizadas com glifos manuscritos e 999 páginas sintéticas com recortes de manuscrito do iApp colados.
- **2.190 formulários sintéticos** reconstruídos a partir de modelos do CommonForms, com glifos costurados nos valores dos campos.

Fontes públicas em inglês fornecem os documentos e modelos de origem. Nenhuma página de documento tailandês real do estudo controlado é usada como página de origem para esta receita final.

Isso não significa que o pipeline não tenha entrada de manuscrito tailandês real. Seu banco de glifos inclui material extraído da divisão de treinamento do Real Thai Handwriting, e suas páginas adicionais incluem recortes do iApp. "Apenas sintético" descreve as páginas de treinamento geradas e sua supervisão, não a ausência de material de manuscrito real em qualquer lugar da construção de dados.

Todos os 0,9B de parâmetros são treinados por uma época, usando uma taxa de aprendizado de 3 × 10⁻⁵, um agendamento cosseno, uma razão de aquecimento de 0,03 e um tamanho efetivo de lote de 16.

### Comparação Direta nos Benchmarks

O artigo avalia cinco conjuntos: Páginas tailandesas impressas retidas (301 páginas), Manuscrito (200 páginas), Manuscrito Fácil (200 páginas), ThaiOCRBench e o subconjunto limpo tailandês de 1.148 páginas do SEA-DocBench.

Os resultados do ThaiOCRBench calculam a média de cada agregado em cinco tarefas de leitura auditadas. O Manuscrito Fácil seleciona páginas com baixo desacordo entre dois sistemas proprietários de reconhecimento de manuscrito.

Desempenho Comparativo: CER em Porcentagem; Menor é Melhor

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)

Retido (Impresso) - Med 6,64% 1,24% 2,54% 0,21% 0,00% Retido (Impresso) - Média 27,60% 14,75% 18,27% 5,47% 3,56%

Manuscrito - Med 74,87% 20,55% 43,60% 19,36% 11,29% Manuscrito - Média 67,90% 22,28% 49,36% 21,86% 15,04%

Manuscrito Fácil - Med 73,74% 14,18% 34,99% 9,02% 3,89% Manuscrito Fácil - Média 69,41% 17,08% 45,06% 15,74% 7,64%

ThaiOCRBench - Med 38,0% 15,3% 30,6% 6,2% 0,9% ThaiOCRBench - Média 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 - Média 18,54% 9,99% 17,57% 12,80% 10,62%

Os números revelam várias conquistas notáveis:

1. **Melhoria substancial em relação ao modelo base**: A receita sintética reduz tanto a CER mediana quanto a média em todos os conjuntos de avaliação. A CER mediana impressa cai de 6,64% para 1,24%, e a CER mediana de manuscrito cai de 74,87% para 20,55%.
2. **Superando um modelo quase oito vezes maior**: Wayu-Paxa-OCR-Zero supera o Typhoon OCR 7B em todos os cinco conjuntos. Sua CER mediana de manuscrito é menos da metade dos 43,60% do modelo de 7B.
3. **Um resultado forte nas páginas tailandesas limpas do SEA-DocBench**: Sua CER mediana de 4,86% e média de 9,99% são menores que as de todos os quatro sistemas de comparação nesse subconjunto, incluindo o Gemini 3.7 Flash.

O mais recente Typhoon OCR 1.5 2B ainda lidera o Wayu-Paxa-OCR-Zero nos outros quatro conjuntos de avaliação. O Gemini 3.7 Flash tem a menor CER nos três conjuntos internos e no ThaiOCRBench.

Essas comparações estabelecem competitividade sob a avaliação relatada. Elas não estabelecem que a supervisão sintética é intrinsecamente melhor que os dados de treinamento usados por outros sistemas, que diferem em arquitetura, escala, pré-treinamento e supervisão.

## A Armadilha das Métricas: Por que Mediana e Média Contam Histórias Diferentes

Observe de perto os resultados impressos do Wayu-Paxa-OCR-Zero: a CER mediana é **1,24%**, mas a CER média é **14,75%**.

Por que uma lacuna tão grande?

As duas agregações respondem a perguntas diferentes:

- **CER Mediana** é a taxa de erro de página mediana. Ela descreve o meio da distribuição de páginas avaliadas, sem estabelecer a precisão para nenhuma categoria de documento em particular.
- **CER Média** é ponderada por caracteres. Páginas mais longas contribuem mais, e páginas com altas taxas de erro podem contribuir desproporcionalmente para a agregação.

Há também um detalhe de pontuação por trás de cada número relatado. O artigo usa **CER projetada**: as previsões são normalizadas e alinhadas de forma difusa às regiões de texto avaliadas antes da pontuação. O texto fora dos spans declarados é descartado, enquanto erros dentro dos spans declarados e regiões avaliadas ausentes permanecem passíveis de cobrança.

O algoritmo remove espaços em branco e marcações ou conteúdo especificado durante a normalização e limita a CER de cada página em 100%. A média relatada é a média ponderada por caracteres dessas pontuações de página limitadas. Portanto, essas não são pontuações de transcrição de documento inteiro não filtradas.

Um exemplo hipotético simples mostra por que as agregações podem divergir:

Dez Páginas de Comprimento Igual: Nove páginas com 1% de CER Uma página com 85% de CER

CER Mediana: 1% CER Média: 9,4%

A lacuna real entre mediana e média é consistente com páginas mais difíceis contribuindo desproporcionalmente para o erro agregado. A tabela sozinha não identifica modos de falha específicos nem nos diz quantas páginas os sofreram.

A comparação com supervisão real torna a limitação concreta. Sob treinamento em nível de página correspondente, o Sintético Dentro do Domínio atinge **1,82%** de CER mediana contra **1,31%** para Impressão Tailandesa Real. Mas sua média é **16,20%**, comparada com **9,79%** para supervisão de impressão real.

Esses rótulos de dados reais vêm do Azure OCR seguido de normalização VLM. As referências de avaliação interna também são pseudo-rótulos, produzidos usando Azure OCR e Gemini 2.5 Flash.

As abordagens de reconstrução alcançam a supervisão real na página impressa típica neste experimento, enquanto deixam uma lacuna maior na agregação ponderada por caracteres.

## Por que isso importa: Um roteiro pragmático para equipes de Document AI

Para equipes que trabalham com tailandês ou outros idiomas com anotações de documentos limitadas, o artigo oferece um roteiro experimental útil. Suas lições mais fortes dizem respeito ao que medir e comparar, em vez de regras universais para produção.

### 1. Teste o valor do contexto não textual
Os fundos retidos e os elementos não textuais trazem pouco benefício consistente de CER aqui. Portanto, uma reconstrução de fundo branco é uma comparação útil antes de investir pesadamente no contexto da página de origem. Os resultados não justificam descartar qualquer forma de modelagem de degradação sem testá-la.

### 2. Preserve e avalie a diversidade de fontes
O perfil medido fornece um ponto de partida fundamentado para a renderização de documentos tailandeses. Substituí-lo por uma única fonte prejudica a transferência de escrita à mão. O estudo apoia a diversidade em relação à linha de base de fonte única; ele não mostra que reter apenas as dez ou vinte principais fontes seja suficiente.

### 3. Alinhe os experimentos de dados à arquitetura do modelo
Avalie os conjuntos de dados de origem candidatos usando a granularidade de treinamento que você pretende usar. Aqui, a reconstrução dentro do domínio vence para o reconhecimento impresso em nível de página, enquanto a reconstrução fora do domínio vence para o reconhecimento em nível de recorte. Nenhum dos resultados estabelece um requisito universal para usar um único domínio de origem.

### 4. Teste bancos de glifos reais para escrita à mão
As fontes de escrita à mão já melhoram o reconhecimento de escrita à mão nesses experimentos. As instâncias reais de glifos adicionam ganhos adicionais. Portanto, um banco de glifos verificado é um complemento promissor, com fontes de avaliação mantidas separadas do material usado para construí-lo. O estudo não estabelece um tamanho ótimo de banco nem elimina a lacuna em relação à supervisão de escrita à mão real.

### 5. Avalie além da página típica
A mediana baixa é apenas parte do resultado. O maior erro ponderado por caractere torna as páginas difíceis uma parte importante de qualquer avaliação de acompanhamento. O artigo não relata taxas de aceitação de produção, calibração de confiança ou um sistema de roteamento validado, portanto, suas pontuações de referência não podem estabelecer essas propriedades de implantação.

## O Horizonte para Análise de Documentos Sintéticos

O Wayu-Paxa-OCR-Zero demonstra que a reconstrução de documentos sintéticos pode suportar uma adaptação competitiva do OCR para o tailandês. Um modelo com menos de um bilhão de parâmetros melhora substancialmente seu checkpoint base e supera o Typhoon OCR 7B em cinco conjuntos de avaliação, sem utilizar páginas tailandesas reais como documentos de origem para essa adaptação.

O resultado é mais forte quando seus limites permanecem visíveis: material de escrita à mão real contribui para as páginas sintéticas, sistemas de comparação mais recentes mantêm vantagens substanciais em vários conjuntos e erros graves continuam sendo importantes.

As questões em aberto apontam para próximos experimentos concretos:

- **Variação Mais Ampda de Escrita à Mão**: Glifos reais ajudam, mas os modelos controlados ainda ficam atrás do treinamento com páginas de escrita à mão reais. O efeito de um banco de glifos maior permanece não testado.
- **Explicando a Inversão entre Recorte e Página**: A reversão do domínio de origem é substancial, mas sua causa permanece não resolvida. Compreendê-la pode ajudar a explicar quais propriedades de reconstrução são transferidas em cada granularidade de treinamento.
- **Fechando a Lacuna de Erro Agregado**: A reconstrução sintética se aproxima da supervisão impressa real na CER mediana, enquanto fica mais claramente atrás na CER média ponderada por caracteres. Cobertura mais ampla de layout, tipografia e escrita à mão permanecem como direções para melhorar a generalização.

Para a IA de documentos, este artigo dá um significado mais testável à "qualidade dos dados". Diversidade de fontes, estrutura bidimensional, variação de glifos e granularidade de treinamento podem ser variados e avaliados separadamente. Essa é a contribuição mais útil da receita: uma maneira de investigar quais ingredientes sintéticos merecem seu lugar.