论文页面 - PolyOCR-Venus：面向文本中心视觉智能的统一 OCR 基础模型

来源：https://huggingface.co/papers/2609.37712 发布于 9 月 29 日

#3 每日精选论文 (https://huggingface.co/papers/date/2026-10-12) 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

光学字符识别（OCR）正在从纯文本转录向通用视觉智能演进，要求模型能够在复杂的视觉环境中对文本信息进行识别、定位和推理。然而，现有的 OCR 系统往往只擅长某些任务，难以在识别、解析和推理之间实现跨场景的均衡。在本报告中，我们提出了 PolyOCR，这是一系列不同规模的统一 OCR 基础模型。PolyOCR 将共享的指令跟随框架与大规模数据引擎相结合，将异构的视觉资源转化为经过质量验证的 OCR 监督数据。我们提出了能力引导策略优化（Competence-Guided Policy Optimization），它将基于验证器的组相对策略优化（Group Relative Policy Optimization）与在线蒸馏相结合，通过基于教师可靠性和师生能力差距的样本级路由实现策略优化。我们还提出了 OCRBench v2.1，这是对 OCRBench v2 的修订版本，包含经过人工验证的标注修正和与任务对齐的评分指标。在 OCRBench v2.1、CC-OCR、内部 KIE Benchmark、OmniDocBench v1.6 和 MDPBench 上的大量实验表明，PolyOCR 达到了最先进的或极具竞争力的性能。

查看 arXiv 页面 查看 PDF GitHub 46 加入收藏

在你的 Agent 中获取此论文：

hf papers read 2609.37712

还没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

暂无模型关联此论文

在模型 README.md 中引用 arxiv.org/abs/2609.37712 即可从此页面链接到该模型。

引用此论文的数据集 0

暂无数据集关联此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.37712 即可从此页面链接到该数据集。

引用此论文的 Space 0

暂无 Space 关联此论文

在 Space README.md 中引用 arxiv.org/abs/2609.37712 即可从此页面链接到该 Space。

包含此论文的合集 0

暂无合集包含此论文

将此论文添加到合集即可从此页面链接到该合集。