Команда PaddlePaddle представила шестую версию своей системы оптического распознавания символов. Модели размером до 34.5 миллионов параметров обходят миллиардные VLM в задачах чтения текста.
2 мин
Команда разработчиков фреймворка PaddlePaddle опубликовала на платформе Hugging Face новую версию своей популярной системы оптического распознавания символов (OCR) — PP-OCRv6. Главная особенность релиза заключается в том, что эти компактные модели, размер которых варьируется от 1.5 до 34.5 миллионов параметров, демонстрируют результаты, превосходящие показатели массивных визуально-языковых моделей (VLM) с миллиардами параметров в специфических задачах распознавания текста.
В последние годы индустрия искусственного интеллекта была увлечена созданием универсальных мультимодальных гигантов. Визуально-языковые модели (VLM) научились не только описывать изображения, но и читать текст на них. Однако использование таких огромных нейросетей для базовой задачи извлечения текста часто избыточно. Это требует значительных вычислительных мощностей, дорогостоящих графических процессоров (GPU) и времени, что делает их применение в реальных бизнес-процессах экономически нецелесообразным.
Проект PP-OCR исторически развивался как специализированный инструмент для работы с документами и изображениями. Шестая версия предлагает поддержку 50 языков и включает коллекцию из 19 различных компонентов. Важным техническим преимуществом является оптимизация для работы на центральных процессорах (CPU) с использованием среды выполнения ONNX Runtime. Это означает, что для запуска системы не требуется дорогостоящее оборудование, и она может работать локально на обычных серверах или даже конечных устройствах.
Успех PP-OCRv6 подчеркивает важный тренд в современной AI-индустрии: специализированные малые модели (SLM) все еще выигрывают у универсальных гигантов там, где требуется узконаправленная эффективность. Миллиарды параметров VLM расходуются на понимание контекста, генерацию связного текста и общую эрудицию. В то же время, модель на 34 миллиона параметров, обученная исключительно находить и распознавать буквы, делает это быстрее, точнее и дешевле.
В перспективе мы, вероятно, увидим закрепление гибридных архитектур в корпоративном секторе. Вместо того чтобы отправлять скан документа в тяжелую мультимодальную модель, системы будут использовать легкие инструменты вроде PP-OCRv6 для быстрого извлечения сырого текста. Затем этот текст будет передаваться в большую языковую модель (LLM) для анализа, суммаризации или извлечения структурированных данных. Такой подход позволяет оптимизировать затраты на инфраструктуру, сохраняя при этом высокое качество финального результата.
Специализированные компактные модели для распознавания текста оказались эффективнее массивных мультимодальных нейросетей, предлагая бизнесу дешевую и быструю альтернативу для обработки документов.
Увеличение размера модели не всегда ведет к улучшению результатов в базовых задачах. Оптимизация архитектуры под конкретную цель (распознавание текста) позволяет сократить вычислительные затраты в сотни раз без потери качества.
