PolyOCR-Venus发布：统一OCR基础模型革新视觉文本智能

摘要：PolyOCR-Venus是一款全新的统一OCR基础模型系列，旨在将光学字符识别（OCR）从简单的文本转录拓展至复杂的视觉文本智能领域。该模型通过共享指令框架与大规模数据引擎，将异构视觉资源转化为高质量的OCR监督数据，并引入了基于能力的策略优化算法（Competence-Guided Policy Optimization），结合样本级路由和教师-学生能力差距的蒸馏机制。此外，PolyOCR还发布了OCRBench v2.1版本，修正了标注错误并引入了任务对齐的评分指标。实验结果表明，PolyOCR在多个基准测试中达到了最先进的性能或具备高度竞争力，为OCR领域带来了突破性进展。

---

技术机制剖析

PolyOCR-Venus通过以下核心机制实现了OCR技术的革新：

1. 共享指令框架：PolyOCR采用统一的指令框架，使模型能够处理多样化的视觉文本任务，包括文本识别、定位和推理。这种设计不仅提升了模型的泛化能力，还简化了多任务学习的复杂性。

2. 大规模数据引擎：该引擎将异构视觉资源（如图像、视频、文档）转化为高质量的OCR监督数据。通过自动化数据清洗和标注流程，PolyOCR能够高效地利用大规模数据进行训练。

3. 基于能力的策略优化（Competence-Guided Policy Optimization）：该算法结合了基于验证器的组相对策略优化（Group Relative Policy Optimization）和基于样本的路由机制，根据教师模型和学生的能力差距进行蒸馏。这种方法不仅提升了模型的训练效率，还增强了其在复杂场景下的表现。

4. OCRBench v2.1：PolyOCR团队对OCRBench v2进行了修订，修正了标注错误并引入了任务对齐的评分指标。这一改进使得评估结果更具可信度和可比性。

工程权衡与实测表现

PolyOCR在多个基准测试中表现出色，包括OCRBench v2.1、CC-OCR、in-house KIE Benchmark、OmniDocBench v1.6和MDPBench。在这些测试中，PolyOCR在文本识别、定位和推理任务上均达到了最先进的性能或具备高度竞争力。

然而，PolyOCR的实现也面临一些权衡。例如，共享指令框架虽然提升了模型的泛化能力，但增加了模型训练的复杂性。此外，大规模数据引擎虽然提供了丰富的数据资源，但也对数据清洗和标注的准确性提出了更高要求。

开发者落地与部署建议

对于开发者而言，PolyOCR提供了以下优势：

• 多任务处理能力：PolyOCR能够处理多种视觉文本任务，减少了开发者集成多个模型的需求。

• 高效的数据利用：通过大规模数据引擎，开发者可以更高效地利用异构数据资源进行训练。

• 强大的评估工具：OCRBench v2.1为开发者提供了一个可靠的评估平台，帮助他们更好地验证模型性能。

建议开发者根据具体应用场景选择合适的模型规模，并结合领域数据进行微调，以获得最佳性能。

---

消息来源：Hugging Face Daily Papers (2026-09-29)

—— 完 ——

主题标签： #PolyOCR 关注 #OCR 关注 #视觉文本智能 关注 #基础模型 关注