arXiv cs.AI· Wenjie Liao, Xiaohui Song, Liangjie Zhao, Haonan Lu·· 9 天前AI 评分23
SP-DocReader：面向精准文档 OCR 的差异感知自博弈框架
SP-DocReader: Difference-Aware Self-Play for Precise Document OCR
AI 导读
SP-DocReader 是一个针对监督微调后残余误差的 OCR 自博弈框架，仅训练 OCR 模块、冻结主干。在 Qwen3-VL-4B 上，SP-DR-3 相比 SFT-2 将 Vary-600K 字符错误率降低约 54%，DocVQA ANLS 提升 3.7 分。
正文 · AI 翻译
摘要：在有限的输入和训练预算下，视觉语言模型仍难以实现准确的页面转录。我们提出 SP-DocReader，一个用于光学字符识别（OCR）的自对弈框架，针对监督微调后的残余错误。阅读差异掩码通过最长公共子序列对齐参考模型与生成模型的 token，然后用其完整的条件前缀对未匹配位置进行评分。聚焦保真度损失在未匹配的真实位置添加直接的负对数似然监督。仅训练 OCR 模块，而主干保持冻结。我们推导出组合梯度，以区分相对分数优化与直接监督。与 SFT-2 相比，SP-DR-3 在两个主干上均降低了 Vary-600K 字符错误率。在 Qwen3-VL-4B 上，它将字符错误率降低约 54%，并将 DocVQA 平均归一化莱文斯坦相似度（ANLS）提高 3.7 个点。这些结果表明，将自对弈训练聚焦于监督微调后仍存在的差异具有价值。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11148 [cs.CV] |
| （或 arXiv:2610.11148v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11148 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Wenjie Liao [查看电子邮件]
[v1]
2026年10月8日星期四 03:12:12 UTC（1,030 KB）
来源：arXiv cs.AI · arxiv.org