跳转至

文章背景与核心概要

本技术报告研究了合成 OCR 监督信号向真实泰语文档的迁移能力，并最终开发出了 Wayu-Paxa-OCR-Zero——一个完全在没有真实 OCR 标签情况下训练出来的泰语 OCR 模型。

作者使用受控的文档重建流水线，评估了影响 OCR 迁移的各种因素（例如排版、空间结构和手写字形）。研究结果表明，字体多样性、二维结构和真实手写字形能够显著提高域迁移效果，而非文本上下文的影响则微乎其微。

通过使用 45,723 页合成数据对 0.9B 参数的 PaddleOCR-VL-1.6 进行微调，Wayu-Paxa-OCR-Zero 大幅降低了打印页面的中位字符错误率（CER）（从 6.64% 降至 1.24%）和手写页面的中位字符错误率（从 74.87% 降至 20.55%），在所有评估集上的表现均优于参数量更大的 Typhoon OCR v1 7B 模型。

How Far Can Synthetic Data Take Thai OCR?

合成数据能将泰语 OCR 推向多远？

Summary

摘要 (Summary)

This technical report investigates the transferability of synthetic OCR supervision to real Thai documents, culminating in the development of Wayu-Paxa-OCR-Zero, a Thai OCR model trained entirely without real OCR labels.

本技术报告研究了合成 OCR 监督信号向真实泰语文档的迁移能力，并最终开发出了 Wayu-Paxa-OCR-Zero——一个完全在没有真实 OCR 标签情况下训练出来的泰语 OCR 模型。

Using a controlled document-reconstruction pipeline, the author evaluates various factors influencing OCR transfer (such as typography, spatial structure, and handwriting glyphs). Findings reveal that typeface diversity, two-dimensional structure, and real handwriting glyphs significantly improve domain transfer, while non-text context has minimal effect.

作者使用受控的文档重建流水线，评估了影响 OCR 迁移的各种因素（例如排版、空间结构和手写字形）。研究结果表明，字体多样性、二维结构和真实手写字形能够显著提高域迁移效果，而非文本上下文的影响则微乎其微。

By adapting the 0.9B-parameter PaddleOCR-VL-1.6 using 45,723 synthetic pages, Wayu-Paxa-OCR-Zero drastically reduces the median character error rate (CER) on printed pages (from 6.64% down to 1.24%) and handwriting (from 74.87% down to 20.55%), outperforming the larger Typhoon OCR v1 7B across all evaluation sets.

通过使用 45,723 页合成数据对 0.9B 参数的 PaddleOCR-VL-1.6 进行微调，Wayu-Paxa-OCR-Zero 大幅降低了打印页面的中位字符错误率（CER）（从 6.64% 降至 1.24%）和手写页面的中位字符错误率（从 74.87% 降至 20.55%），在所有评估集上的表现均优于参数量更大的 Typhoon OCR v1 7B 模型。

Document Metadata

文档元数据

Abstract

摘要

We investigate what makes synthetic OCR supervision transfer to real Thai documents and use the resulting insights to build Wayu-Paxa-OCR-Zero, a Thai OCR model adapted without OCR labels from real Thai document pages. Synthetic data provide exact labels at scale, but "realism" conflates source domain, page context, typography, spatial structure, and glyph variation. We disentangle these factors with a controlled document-reconstruction pipeline and evaluate each variant under page- and crop-level training on printed and handwritten Thai documents.

我们研究了是什么让合成 OCR 监督信号能够迁移到真实的泰语文档中，并利用由此产生的见解构建了 Wayu-Paxa-OCR-Zero。这是一个在没有真实泰语文档页面的 OCR 标签情况下进行适配的泰语 OCR 模型。合成数据可以大规模地提供准确的标签，但“真实感”混淆了源域、页面上下文、排版、空间结构和字形变化。我们通过受控的文档重建流水线将这些因素解耦，并在打印和手写的泰语文档上，对页面级和裁剪块级训练下的各个变体进行了评估。

Non-text context has little consistent effect, whereas typeface diversity, two-dimensional structure, and real handwriting glyphs improve transfer; moreover, source-domain matching depends on training granularity, with in-domain reconstruction approaching real printed supervision under page-level training (1.82% versus 1.31% median character error rate) but underperforming out-of-domain reconstruction under crop-level training (15.59% versus 5.52%).

非文本上下文没有产生持续一致的影响，而字体多样性、二维结构和真实手写字形则改善了迁移效果；此外，源域匹配取决于训练粒度，在页面级训练下，域内重建的效果接近真实的打印监督（中位字符错误率为 1.82% 对比 1.31%），但在裁剪块级训练下，其表现不如域外重建（15.59% 对比 5.52%）。

Guided by these findings, we adapt the 0.9B-parameter PaddleOCR-VL-1.6 into Wayu-Paxa-OCR-Zero using 45,723 synthetic pages: relative to its base checkpoint, it reduces median character error rate from 6.64% to 1.24% on printed pages and from 74.87% to 20.55% on handwriting and outperforms Typhoon OCR v1 7B on all five evaluation sets, showing that synthetic-only training can be competitive.

在这些发现的指导下，我们利用 45,723 页合成数据将 0.9B 参数的 PaddleOCR-VL-1.6 适配为 Wayu-Paxa-OCR-Zero：与其基础检查点相比，它将打印页面的中位字符错误率从 6.64% 降至 1.24%，将手写页面的中位字符错误率从 74.87% 降至 20.55%，并且在所有五个评估集上的表现均优于 Typhoon OCR v1 7B，这表明纯合成数据训练具有很强的竞争力。

Access &Resources

访问与资源