今天给大家分享一个端到端的开源 OCR 模型，号称 OCR 2.0！支持场景文本、文档、乐谱、图表、数学公式等内容识别，拿到了 BLEU 0.972 高分。
从给出的演示图来看，一些非常复杂的数学公式都能正确的识别，颇为强大。模型大小仅 1.43GB，感兴趣的小伙伴可以试试。
OCR一直是离落地最近的研究方向之一，是AI-1.0时代的技术结晶。到了以LLM（LVLM）为核心的AI-2.0时代，OCR成了多模大模型的一项基本能力，各家模型甚至有梭哈之势。多模态大模型作为通用模型，总有种降维打击OCR模型的感觉。那么纯OCR的研究真的到头了吗？我们想说：当然没有！没准才刚刚开始。首先盘一下AI-1.0 OCR系统和LVLM OCR的缺点：
首先是AI-1.0流水线式的OCR系统，缺点不用多说，各个模块比较独立，局部最优，维护成本也大。最重要的是不通用，不同OCR任务需路由不同模型，不太方便。那么多模态大模型在pure OCR任务上有什么缺陷呢？我们认为有以下两点：
为Reasoning让路必然导致image token数量过多，进而导致在纯OCR任务上存在bottle-neck。Reasoning（VQA-like）能力来自LLM（decoder），要想获得更好的VQA能力（至少在刷点上），就要充分利用起LLM来，那么image token就得越像text token（至少高维上，这样就会让LLM更舒服）。试想一下，100个text token在LLM词表上能编码多少文字？那么一页PDF的文字，又需要多少token呢？不难发现，保VQA就会导致在做OCR任务上，尤其是dense OCR任务上，模型搞得比较丑陋。例如，一页PDF图片只有A4纸大小，很多LVLM要都需要切图做OCR，切出几千个image token。单张都要切图，拿出多页PDF拼接图，阁下又当如何应对？我们认为对于OCR模型这么多token大可不必。
非常直观的一点就是模型太大，迭代困难。要想引入新OCR feature如支持一项新语言，不是SFT一下就能训进模型的，得打开vision encoder做pre-training或者post-training，这都是相当耗资源的。对于OCR需求来说太浪费了。有人会说，小模型能同时做好这么多OCR任务吗？我们的答案是肯定的，而且甚至还能更好。
相关链接
论文地址：https://arxiv.org/abs/2409.0170
代码地址：https://github.com/Ucas-HaoranWei/GOT-OCR2.0/tree/main
模型下载：huggingface.co/ucaslcl/GOT-OCR2_0
GOT: Towards OCR-2.0
通用OCR模型须要够通用，体现在输入输出都要通用上。我们可以笼统地将人造的所有信号都叫字符，基于此，我们提出通用或者广义OCR（也就是OCR-2.0）的概念，并设计开源了第一个起步OCR-2.0模型GOT，该模型名字就是由General OCR Theory的首字母组成。
在输入方面，模型支持图1中全部的OCR任务；输出方面，模型同时支持plain texts输出以及可读性强、可编辑的formatted文本输出，如markdown等。
图2. GOT结构与训练流程图 模型的结构和训练方法如图2所示，采用vision encoder+input embedding layer+decoder的pipeline。Encoder主体采用带local attention的VITDet架构，这不至于CLIP方案的全程global attention在高分辨率下激活太大，炸显存。Encoder后两层采用Vary的双卷积设计方案。整个Encoder将1024×1024×3的图像压缩为256×1024的image tokens，这足以做好A4纸级别的dense OCR。
整个训练过程分为3个步骤，没有一个阶段锁LLM，也就是不会存在图像到文本的对齐阶段，进而导致损害image token的文字压缩率。3个训练阶段分别为：
高效预训练encoder，GOT在整个训练过程中，没有A100级别的卡，为了节省资源，该阶段使用小型OPT-125M作为decoder为encoder提供优化方向，快速灌入大量数据。
联合训练encoder-decoder，该阶段GOT的基本结构搭建完成，为上一阶段预训练好的encoder，以及Qwen团队预训练好的Qwen0.5B。我们稍稍加大了decoder的大小，因为该阶段需要喂入大量OCR-2.0的知识，而不少数据（如化学式的OCR）其实也是带点reasoning的，更小的decoder未敢尝试。
锁住encoder，加强decoder以适配更多的OCR应用场景，如支持坐标或者颜色引导的细粒度OCR（点读笔可能会用到），支持动态分辨率OCR技术（超大分辨率图可能会用到），多页OCR技术（该feature主要是为了后续follower能更好地训练Arxiv这种数据，我们的设想是多页PDF直接训练，无须再对.tex断页而苦恼！）
图3. GOT使用到的数据渲染工具
当然，整个GOT模型设计最困难的还是数据工程。为了构造各种各样的数据，我们学习了众多数据渲染工具，如图3所示，包括Latex，Mathpix-markdown-it，Matplotlib，Tikz，Verovio， Pyecharts等等。
结果可视化：多说无用，效果才是一切，GOT的输出可视化效果如下：
例1：最常用的PDF image转markdown能力
例2：双栏文本感知能力
例3：自然场景以及细粒度OCR能力
例4：动态分辨率OCR能力
例5：多页OCR能力
例6：更多符号的OCR能力
总结
尽管GOT模型表现不错，但也存在一些局限，如更多的语言支持，更复杂的几何图，更复杂的表格。OCR-2.0的研究还远的很，GOT也还有不小提升空间（该项目在数据和算力资源上都是非常受限的），正是因为深知GOT以及OCR-2.0的潜力，我们希望通过开源GOT吸引更多的人，放弃VQA，再次投向强感知。都说纯OCR容易背锅，但也正好说明做的不够work，不是吗？
感谢你看到这里，也欢迎点击关注下方公众号并添加公众号小助手加入官方读者交流群，一个有趣有AI的AIGC公众号:关注AI、深度学习、计算机视觉、AIGC、Stable Diffusion、Sora等相关技术，欢迎一起交流学习💗～
