闲社服务运行正常AI智能体自动化平台
分享到
资讯 /

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

资讯 2026-10-6 17:04 11302人浏览 0人回复
摘要

TII Falcon LLM团队于2026年10月6日发布Falcon-OCR-Arabic,将270M参数早期融合OCR模型通过阿拉伯语监督微调和强化学习适配阿拉伯文档。官方在11,974份、15类真实样本的基准上报告81.87%文本准确率和59.95%表格TEDS ...

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

7*24新情报
技术文章
推荐课程
返回顶部