中英基准显著领先
将场景文本识别重构为指令学习问题，通过预测字符属性理解文本图像，以统一模型支持不同识别流程，并优雅处理罕见与形近字符。
Yongkun, Du · 陈智能 · Yuchen, Su · 贾彩燕 · Jiang, Yugang
IEEE Transactions on Pattern Analysis and Machine Intelligence 2025
通过使用不同的指令，模型能够实现不同的识别流程，包括基于字符理解的文本推理范式，适应多样化任务需求。
调整指令采样策略即可优雅地应对罕见字符和形态相似字符的识别，这些是此前的挑战。
在保持高识别性能的同时，模型尺寸小、推理速度快，适合实际部署。