什么值得买App下载 App ›
连续签到专享现金活动

MinerU 再次改变OCR

MinerU团队发布了基于扩散去噪解码的新一代OCR模型MinerU-Diffusion,旨在解决传统自回归解码在速度与准确性上的固有瓶颈。该研究提出将OCR视为逆渲染过程,通过改变解码的核心机制,实现了性能与效率的显著提升。
01传统自回归解码的三大痛点
  1. 生成速度受限
    传统模型采用逐字生成的逻辑,生成后续字符必须等待前序字符完成,导致整体处理速度缓慢。
  2. 错误累积效应
    由于生成过程具有强依赖性,一旦前序字符识别出错,后续内容极易受其影响而连锁出错。
  3. 过度依赖语义猜测
    自回归模型在识别时倾向于利用上下文语义进行猜测,而非纯粹基于图像视觉特征,导致对“看图”本质的偏离。
02核心机制:将OCR视为逆渲染
研究团队通过专门设计的对照实验验证了OCR的视觉本质:将文档单词打乱顺序重新排版,自回归模型准确率因语义破坏而大幅下跌,而扩散模型表现稳定。这证明了OCR应当是基于图像的视觉任务,而非基于语义的语言任务。MinerU-Diffusion据此提出了三项核心设计。
  1. 分块扩散解码
    将输出内容切分为多个Block,Block内部实现并行生成,Block之间仅保留粗粒度的顺序约束,大幅提升并行度。
  2. 两阶段训练策略
    首先利用七百多万样本进行基础训练,随后筛选出模型难以确定的样本进行精细化标注与重点攻克。
  3. 动态置信度调度
    模型根据识别置信度动态调整处理流程,高置信度结果直接输出,低置信度结果继续去噪,平衡速度与精度。
03性能表现:吞吐量实现倍级提升
评估维度自回归模型MinerU-Diffusion
Overall 分数基准水平与自回归版基本持平
标准模式吞吐量51 TPS98 TPS(接近2倍加速)
高加速模式吞吐量-164 TPS(3倍以上加速)
高加速模式准确率-保持在90以上

MinerU-Diffusion与传统自回归模型性能对比

04技术评价:解码方式与任务本质对齐
MinerU-Diffusion的核心价值在于验证了“OCR本质是视觉任务”这一观点。与文字生成的一维线性特性不同,OCR处理的是二维图像结构。扩散模型天然具备并行生成特性,能够更高效地处理二维视觉信息,这种机制上的对齐是性能突破的根本原因。

评论

评论区空态插画

当前文章无评论,是时候发表评论了