旧OCR文本阻碍语言模型训练,FineBooks希望大规模解决
Hugging Face 和 EleutherAI 合作的 FineBooks 项目测试了14个开源OCR模型在历史书籍上的表现,发现小模型优于大模型,最佳模型字符准确率超97%,每千页成本低于2美元。输出质量适合AI训练,但不适合学术用途。项目计划重新处理约20万份BHL文档。
原贴
查看原文原文
中文翻译
Hugging Face 和 EleutherAI 合作的 FineBooks 项目,在超过 2,000 页历史书籍页面上对 14 个开源 OCR 模型进行了基准测试,以评估它们将扫描文本转换为 AI 语言模型干净训练数据的能力。较小的模型经常优于较大的模型,表现最好的模型字符准确率超过 97%,每千页成本低于 2 美元。虽然研究人员认为输出质量足以满足 AI 训练目的,但他们指出,这些模型在学术或科学应用中仍然过于容易出错。
Hugging Face 和 EleutherAI 的 FineBooks 项目测试了 14 个开放权重 OCR 模型,在超过 2,000 页历史书籍上进行了测试。最好的模型已经能产生足够好的 AI 训练文本,但尚未准备好用于学术用途。在公共领域书籍上训练开源 AI 语言模型,意味着要处理质量糟糕的文本。图书馆多年前使用光学字符识别从扫描件中提取这些文本,结果往往充满错误。Talkie 项目量化了潜在损害:在 OCR 文本上训练的语言模型,其学习效率仅相当于在同一批书籍的人工转录文本上训练的模型的 30%。FineBooks 是 Hugging Face 和 EleutherAI 的合作项目,测试当前开源 OCR 模型能否解决这个问题。团队在 2,165 页历史书籍上运行了 14 个开放权重模型,并将结果发布为排行榜。最好的模型字符准确率超过 97%,每千页成本低于 2 美元。
去年 EleutherAI 及其合作伙伴发布 Common Pile 时,这是迄今最大的开放许可训练语料库,其中包含约 30 万本公共领域书籍,文本来自较旧的 OCR 运行。FineBooks 作者表示,用更好的模型重新处理这些书籍是改进开放 AI 训练数据集最有效的方法之一。
该项目选择生物多样性遗产图书馆(BHL)作为首个目标,该馆拥有超过 30 万份数字化自然历史文献,总计超过 6,400 万页。BHL 通过 AWS 提供其馆藏批量下载。衡量 OCR 质量需要具有已知正确转录的页面。团队使用了 IMPACT 项目和 BHL-Europe 的工作:在 2011 年至 2012 年间,专家用英语、法语、德语和拉丁语转录了六卷 BHL 文献,错误率约为每 2,000 个字符一个错误。这些数据以 CC-BY 许可证在 GitHub 仓库中提供,并构成新的基准真值数据集的基础。
所有 14 个模型均可免费获取,可在本地硬件上运行,无需 API 密钥。评估指标是字符错误率(CER),即错误识别字符的比例。排行榜将结果分为“直译”变体和“阅读”变体,前者将长 s(ſ)等古字形的现代化视为错误,后者容忍此类变化。领先的 dots.mocr 模型仅使用 30 亿参数,而 Qwen3.5-9B 虽规模接近其三倍,得分却更低。OvisOCR2 以仅 9 亿参数位居第二,每千页成本 46 美分。对于历史文献,模型大小与 OCR 质量并不相关。
该评估仅涵盖四种语言的 Antiqua 字体。它没有考虑 Fraktur、非拉丁文字或手写体,且 FineBooks 仅限于单栏书页。团队计划使用一个顶级模型重新处理约 20 万份公共领域 BHL 文档,并将文本作为开放数据集发布。新模型会持续添加到排行榜中,评估框架也公开可用。
核心信息
Hugging Face 和 EleutherAI 合作的 FineBooks 项目测试了14个开源OCR模型在历史书籍上的表现,发现小模型优于大模型,最佳模型字符准确率超97%,每千页成本低于2美元。输出质量适合AI训练,但不适合学术用途。项目计划重新处理约20万份BHL文档。
- Hugging Face 和 EleutherAI 合作的 FineBooks 项目测试了14个开源OCR模型在历史书籍上的表现,发现小模型优于大模型,最佳模型字符准确率超97%,每千页成本低于2美元。输出质量适合AI训练,但不适合学术用途。项目计划重新处理约20万份BHL文档。
- 原贴提到:The FineBooks project, a collaboration between Hugging Face and Eleuther
- 来源:the-decoder.com
成为会员查看完整内容
你已经看到了这篇内容的前置整理,剩余深度部分仅对会员开放。