智客 ZICQ
EN 登录 / 注册
智客前沿 开源AI #OCR #开源模型 #EleutherAI #历史文献 #BHL

EleutherAI发布FineBooks BHL OCR Leaderboard:评估开源OCR模型对历史文献的识别能力

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间: · 1 次阅读

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

摘要:EleutherAI与Hugging Face合作推出FineBooks项目,旨在评估开源OCR模型对历史文献的识别能力,并发布FineBooks BHL OCR Leaderboard。该排行榜基于对14个开源OCR模型在BHL(生物多样性遗产图书馆)2,165页历史书籍上的测试结果,为研究人员和开发者提供了关于OCR模型性能的权威参考。FineBooks项目还计划使用领先模型重新处理公共领域书籍,并将其作为开放数据集发布,以提升AI训练数据的质量。


项目背景

近年来,随着光学字符识别(OCR)技术的进步,尤其是视觉语言模型(VLMs)的兴起,OCR模型在处理现代文档方面取得了显著进展。然而,历史书籍由于其复杂的排版、古老字体(如长s“ſ”)以及不再常用的语言(如拉丁语),对OCR模型提出了更高的挑战。

FineBooks项目

EleutherAI与Hugging Face合作推出的FineBooks项目,旨在解决这一问题。该项目有两个主要目标:

  1. 评估当前开源OCR模型对历史文献的识别能力:通过FineBooks BHL OCR Leaderboard,测试14个开源OCR模型在BHL的2,165页历史书籍上的表现。
  2. 重新处理公共领域书籍并发布开放数据集:使用领先的OCR模型重新处理公共领域书籍,并将其作为开放数据集发布,以提升AI训练数据的质量。

FineBooks BHL OCR Leaderboard

该排行榜基于对14个开源OCR模型的测试结果,模型包括以下几类:

  • 传统OCR模型:如Tesseract。
  • 基于视觉语言模型的OCR模型:如TrOCR。

每个模型处理所有2,165页书籍,并使用以下指标进行评估:

  • 字符错误率(CER):衡量模型识别字符的准确性。
  • 召回率(Recall):衡量模型识别出应出现在页面上的单词的比例。
  • 过度提取(Over-extraction):衡量模型在空白或仅包含插图的页面上生成文本的比例。
  • 循环率(Loop rate):衡量模型在达到token限制之前重复自身的比例。

评估结果

初步结果显示,尽管一些模型在处理现代文档时表现出色,但在面对历史文献时仍存在较大挑战。例如,某些模型在处理包含古老字体的文本时表现不佳,而另一些模型则在处理多语言文本时表现更好。

未来计划

FineBooks项目计划继续扩展其评估范围,并计划发布更多开放数据集,以支持AI研究社区。此外,项目团队还计划开发新的OCR模型,以更好地处理历史文献。

行业影响

FineBooks项目的发布为OCR领域的研究和开发提供了重要的参考数据,并推动了开源OCR模型在处理历史文献方面的进步。对于AI研究人员和开发者来说,该项目提供了一种新的工具和资源,有助于提升OCR模型的性能和应用范围。


消息来源:EleutherAI Blog (2026-08-10)

—— 完 ——

主题标签: #OCR #开源模型 #EleutherAI #历史文献 #BHL

编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…