论文页面 - DocAtlas：跨80多种语言的多语言文档理解

来源：https://huggingface.co/papers/2605.12623

摘要

DocAtlas框架利用差分渲染和合成生成技术，构建了覆盖82种语言的高保真OCR数据集，并通过直接偏好优化展示了改进的多语言模型适应能力。

由于训练数据稀缺以及基于模型的标注流程延续了现有偏差，多语言文档理解在低资源语言上仍然有限。我们提出DocAtlas，这是一个构建高保真OCR数据集和基准的框架，覆盖82种语言和9个评估任务。我们的双管道——原生DOCX文档的差分渲染和为从右向左书写的脚本提供的基于LaTeX的合成生成——以统一的DocTag格式生成精确的结构化标注，该格式编码布局、文本和组件类型，且核心标注无需学习模型。评估16个最先进模型揭示了低资源脚本中持续存在的差距。我们表明，使用渲染得到的真实标签作为正信号的直接偏好优化（DPO）实现了稳定的多语言适应，将领域内（+1.9%）和领域外（+1.8%）的准确率都提升了，而可衡量的基础语言性能没有下降，而监督微调会使领域外性能下降高达21%。我们最好的变体DocAtlas-DeepSeek相比最强基线提升了1.7%。

查看arXiv页面 (https://arxiv.org/abs/2605.12623)查看PDF (https://arxiv.org/pdf/2605.12623)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.12623)

在您的智能体中获取此论文：

hf papers read 2605.12623

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

引用此论文的模型0

没有链接此论文的模型

在模型README.md中引用arxiv.org/abs/2605.12623以从此页面链接。

引用此论文的数据集1

ahmedheakl/docatlas_instruct 查看器• 约2小时前更新 • 181k (https://huggingface.co/datasets/ahmedheakl/docatlas_instruct)

引用此论文的Spaces0

没有链接此论文的Space

在Space README.md中引用arxiv.org/abs/2605.12623以从此页面链接。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection)以从此页面链接。