TII发布Falcon-OCR-Arabic：270M参数阿拉伯文档识别模型

事件概述：阿布扎比技术创新研究院（Technology Innovation Institute，TII）的Falcon LLM团队于2026年10月6日在Hugging Face发布Falcon-OCR-Arabic，面向阿拉伯语文档的开源OCR适配版本。 模型与改动：该模型沿用Falcon OCR的270M参数早期融合架构，不改变整体架构，通过真实与合成阿拉伯文档监督微调（SFT）以及精选高质量样本强化学习（RL）进行适配；可按提示输出纯文本、LaTeX公式或HTML表格。 关键结果：官方在包含11,974份真实样本、15类文档的阿拉伯文档基准上比较17个模型。Falcon-OCR-Arabic文本准确率为81.87%，排名第二，仅次于Gemini 3.5 Flash的84.34%；表格TEDS为59.95%，为参测模型最高。它在官方文件、行政表单、收据和发票类别排名第一，并在全部15类中进入前四。相较基础Falcon OCR，文本准确率提升26.48个百分点，表格TEDS提升35.12个百分点。 适用对象与影响：需要把阿拉伯语发票、收据、行政表单、书籍等扫描件转换为结构化文本的开发者、档案与业务系统团队，可通过官方演示或模型仓库评估其效果。小参数量有利于本地化部署和批量处理，但实际吞吐、硬件需求和生产级错误率仍需结合自身数据验证。 限制：官方明确指出，报纸、杂志、漫画等密集复杂页面与手写文本仍落后于最强通用模型；阿拉伯语连写、点号、变音符号、从右到左表格及混合数字等场景仍应进行人工抽检。文中基准和结果由发布方自测，不能直接等同于所有业务数据上的表现。 官方来源：https://huggingface.co/blog/tiiuae/falcon-ocr-arabic