通用端到端OCR模型開源，拒絕多模態(tài)大模型降維打擊

叨樂 2024-09-10 15:15:28 來源：量子位

Vary團(tuán)隊(duì) 投稿 凹非寺

量子位 | 公眾號(hào) QbitAI

在AI-2.0時(shí)代，OCR模型的研究難道到頭了嗎??？
（OCR：一種將圖像中的文字轉(zhuǎn)換為可編輯和可搜索文本的技術(shù)）

Vary作者團(tuán)隊(duì)開源了第一個(gè)邁向OCR-2.0的通用端到端模型GOT。

用實(shí)驗(yàn)結(jié)果向人們證明：No~No~No~

GOT模型效果如何？

話不多說，直接上效果圖：

△ 最常用的PDF image轉(zhuǎn)markdown能力

△ 雙欄文本感知能力

△ 自然場(chǎng)景以及細(xì)粒度OCR能力

△ 動(dòng)態(tài)分辨率OCR能力

△ 多頁OCR能力

△ 更多符號(hào)的OCR能力

研究團(tuán)隊(duì)稱，盡管GOT模型表現(xiàn)不錯(cuò)，但也存在一些局限，如更多的語言支持，更復(fù)雜的幾何圖，chart上的OCR性能。

他們說OCR-2.0的研究還遠(yuǎn)的很，GOT也還有不小提升空間（該項(xiàng)目在數(shù)據(jù)和算力資源上都是非常受限的）。

正是因?yàn)樯钪狦OT以及OCR-2.0的潛力，我們希望通過開源GOT吸引更多的人，放棄VQA，再次投向強(qiáng)感知。都說純OCR容易背鍋，但也正好說明做的不夠work，不是嗎？

GOT: Towards OCR-2.0

通用OCR模型須要夠通用，體現(xiàn)在輸入輸出都要通用上。

GOT的通用具體表現(xiàn)為：在輸入方面，模型支持Scene Text OCR、Document OCR、Fine-grained OCR、More General OCR等任務(wù)。

△ 通用OCR模型須“通用”

輸出方面，模型同時(shí)支持plain texts輸出以及可讀性強(qiáng)、可編輯的formatted文本輸出，如markdown等。

模型的結(jié)構(gòu)和訓(xùn)練方法，采用vision encoder+input embedding layer+decoder的pipeline。

Encoder主體采用帶local attention的VITDet架構(gòu)，不會(huì)讓CLIP方案的全程global attention在高分辨率下激活太大，炸顯存。

Encoder后兩層采用Vary的雙卷積設(shè)計(jì)方案。整個(gè)Encoder將1024×1024×3的圖像壓縮為256×1024的image tokens，足以做好A4紙級(jí)別的dense OCR。

△ GOT結(jié)構(gòu)與訓(xùn)練流程圖

研究團(tuán)隊(duì)將整個(gè)訓(xùn)練過程分為三個(gè)步驟，沒有一個(gè)階段鎖LLM，過程中沒有存在圖像到文本的對(duì)齊階段，進(jìn)而導(dǎo)致?lián)p害image token的文字壓縮率。

三個(gè)訓(xùn)練階段分別為：

第一階段：高效預(yù)訓(xùn)練encoder，GOT在整個(gè)訓(xùn)練過程中，沒有A100級(jí)別的卡，為了節(jié)省資源，該階段使用小型OPT-125M作為decoder為encoder提供優(yōu)化方向，快速灌入大量數(shù)據(jù)。

第二階段：聯(lián)合訓(xùn)練encoder-decoder，該階段GOT的基本結(jié)構(gòu)搭建完成，為上一階段預(yù)訓(xùn)練好的encoder，以及Qwen團(tuán)隊(duì)預(yù)訓(xùn)練好的Qwen0.5B。

研究團(tuán)隊(duì)稍稍加大了decoder的大小，因?yàn)樵撾A段需要喂入大量OCR-2.0的知識(shí)，而不少數(shù)據(jù)（如化學(xué)式的OCR）其實(shí)也是帶點(diǎn)reasoning的，不過更小的decoder他們未敢嘗試。

第三階段：鎖住encoder，加強(qiáng)decoder以適配更多的OCR應(yīng)用場(chǎng)景，如支持坐標(biāo)或者顏色引導(dǎo)的細(xì)粒度OCR（點(diǎn)讀筆可能會(huì)用到），支持動(dòng)態(tài)分辨率OCR技術(shù)（超大分辨率圖可能會(huì)用到），多頁OCR技術(shù)。

該feature主要是為了后續(xù)follower能更好地訓(xùn)練Arxiv這種數(shù)據(jù)，我們的設(shè)想是多頁P(yáng)DF直接訓(xùn)練，無須再對(duì).tex斷頁而苦惱！

面對(duì)整個(gè)GOT模型設(shè)計(jì)中最困難的數(shù)據(jù)工程環(huán)節(jié)。研究團(tuán)隊(duì)為了構(gòu)造各種各樣的數(shù)據(jù)，還學(xué)習(xí)了眾多數(shù)據(jù)渲染工具，包括Latex，Mathpix-markdown-it，Matplotlib，Tikz，Verovio， Pyecharts等等。

△ GOT使用到的數(shù)據(jù)渲染工具

OCR的研究才剛剛開始

關(guān)于為什么在大模型相互梭哈的時(shí)代繼續(xù)研究OCR？

研究團(tuán)隊(duì)有他們自己的理由：

OCR一直是離落地最近的研究方向之一，是AI-1.0時(shí)代的技術(shù)結(jié)晶。

到了以LLM（LVLM）為核心的AI-2.0時(shí)代，OCR成了多模大模型的一項(xiàng)基本能力，各家模型甚至有梭哈之勢(shì)。

多模態(tài)大模型作為通用模型，總有種降維打擊OCR模型的感覺。

那么純OCR的研究真的到頭了嗎？我們想說：當(dāng)然沒有！沒準(zhǔn)才剛剛開始。

首先盤一下AI-1.0 OCR系統(tǒng)和LVLM OCR的缺點(diǎn)：

首先是AI-1.0流水線式的OCR系統(tǒng)，缺點(diǎn)不用多說，各個(gè)模塊比較獨(dú)立，局部最優(yōu)，維護(hù)成本也大。

最重要的是不通用，不同OCR任務(wù)需路由不同模型，不太方便。

那么多模態(tài)大模型在pure OCR任務(wù)上有什么缺陷呢？我們認(rèn)為有以下兩點(diǎn)：

1、為Reasoning讓路必然導(dǎo)致image token數(shù)量過多，進(jìn)而導(dǎo)致在純OCR任務(wù)上存在bottle-neck。

Reasoning（VQA-like）能力來自LLM（decoder），要想獲得更好的VQA能力（至少在刷點(diǎn)上），就要充分利用起LLM來，那么image token就得越像text token（至少高維上，這樣就會(huì)讓LLM更舒服）。

試想一下，100個(gè)text token在LLM詞表上能編碼多少文字？那么一頁P(yáng)DF的文字，又需要多少token呢？不難發(fā)現(xiàn)，保VQA就會(huì)導(dǎo)致在做OCR任務(wù)上，尤其是dense OCR任務(wù)上，模型搞得比較丑陋。

例如，一頁P(yáng)DF圖片只有A4紙大小，很多LVLM要都需要切圖做OCR，切出幾千個(gè)image token。單張都要切圖，拿出多頁P(yáng)DF拼接圖，閣下又當(dāng)如何應(yīng)對(duì)？

我們認(rèn)為對(duì)于OCR模型這么多token大可不必。

2、非常直觀的一點(diǎn)就是模型太大，迭代困難。

要想引入新OCR feature如支持一項(xiàng)新語言，不是SFT一下就能訓(xùn)進(jìn)模型的，得打開vision encoder做pre-training或者post-training，這都是相當(dāng)耗資源的。

對(duì)于OCR需求來說太浪費(fèi)了。

有人會(huì)說，小模型能同時(shí)做好這么多OCR任務(wù)嗎？

我們的答案是肯定的，而且甚至還能更好