智客 ZICQ
EN 登录 / 注册
智客前沿 大模型 #Hugging Face #多语言模型 #场景文本识别 #MoE架构 #深度学习

Hugging Face发布ScriptMoE:多语言场景文本识别新突破

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间: · 11 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:Hugging Face推出ScriptMoE,这是一种基于脚本感知混合专家(MoE)架构的多语言场景文本识别模型。ScriptMoE通过共享视觉编码器和稀疏MoE解码器,在处理多语言文本时实现了高精度和低计算成本。实验表明,ScriptMoE在TextMuSS-Bench基准测试中达到了82.06%的准确率,超越了现有最先进模型1.31%。在CC-OCR端到端多语言任务中,ScriptMoE将F1得分从65.71%提升至80.89%,接近最佳视觉语言模型(VLM)性能,同时参数数量大幅减少。


多语言场景文本识别的新突破

多语言场景文本识别(STR)长期以来面临数据稀缺和模型复杂性高的挑战。现有解决方案通常采用每种语言部署一个识别器的方法,这不仅增加了成本,还容易导致错误累积;或者依赖庞大的视觉语言模型(VLM),但这些模型成本高昂且在许多脚本上表现不佳。

Hugging Face推出的ScriptMoE旨在解决这些问题,其主要特点包括:

  • 大规模合成数据集构建:构建了TextMuSS-10M,一个包含10种脚本和229种语言的大规模合成场景文本数据集,为真实数据稀缺的语言提供平衡且充足的监督。
  • 脚本感知MoE架构:ScriptMoE采用脚本感知MoE架构,共享一个视觉编码器,并用稀疏MoE块替换密集解码器。该MoE块包含一个图像级路由器,将每个图像分配给前两个与脚本对齐的专家,以及一个共享专家,用于吸收跨脚本知识。

技术亮点与性能表现

  1. 高精度与低计算成本:在TextMuSS-Bench基准测试中,ScriptMoE的准确率达到82.06%,比现有最先进模型高出1.31%。
  2. 多语言任务中的卓越表现:在CC-OCR端到端多语言任务中,ScriptMoE将F1得分从65.71%提升至80.89%,接近最佳VLM的性能,同时参数数量大幅减少。
  3. 创新架构设计:通过图像级路由器和共享专家的设计,ScriptMoE在处理多语言文本时实现了高效的知识共享和任务分配。

行业影响与开发者建议

ScriptMoE的发布标志着多语言场景文本识别领域的重要进展,为需要处理多语言文本的应用场景提供了更高效的解决方案。开发者可以:

  • 利用TextMuSS-10M数据集:在多语言文本识别任务中,开发者可以利用该数据集进行模型训练和评估。
  • 集成ScriptMoE到现有系统中:由于其高精度和低计算成本,ScriptMoE可以轻松集成到现有的多语言文本处理系统中,提升系统性能。
  • 关注未来更新:Hugging Face可能会发布更多基于ScriptMoE的模型和工具,开发者应持续关注相关动态。

结论

ScriptMoE通过创新的脚本感知MoE架构,在多语言场景文本识别任务中实现了高精度和低计算成本,为多语言文本处理提供了新的可能性。


消息来源:Hugging Face Daily Papers (2026-09-21)

—— 完 ——

主题标签: #Hugging Face #多语言模型 #场景文本识别 #MoE架构 #深度学习

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…