PolyOCR-Venus：从文字识别走向文本视觉智能的统一 OCR 模型

导语

传统 OCR 通常被理解为把图片中的文字转换成纯文本，但真实应用往往还需要回答更多问题：文字位于哪里？页面结构如何组织？哪些字段对应关键信息？图像中的文字与视觉上下文之间有什么关系？PolyOCR-Venus 试图用一组统一的 OCR 基础模型，覆盖从识别到理解的连续任务链。

核心要点

• 统一任务接口。 PolyOCR 的 2B 与 9B 模型共享指令跟随框架，可处理文字识别、文本定位、文档解析、信息抽取以及 OCR 推理等任务。与为单一场景分别设计模型的路线相比，这种设计更强调不同 OCR 能力之间的协同。
• 数据引擎强调质量控制。 项目使用大规模数据引擎，将不同来源的视觉资源转化为 OCR 监督信号，并加入质量验证环节。素材没有披露完整的数据规模和全部构建细节，因此更适合将其理解为训练流程层面的系统化改进，而不是单一数据集的扩张。
• 按样本选择教师监督。 PolyOCR 提出 Competence-Guided Policy Optimization（CGPO），将基于验证器的 Group Relative Policy Optimization 与 on-policy distillation 结合起来。它会根据教师在当前样本上的可靠性，以及教师与学生之间的能力差距，调整蒸馏监督的使用方式。其基本思路是：教师并非对每个样本都同样有帮助，训练过程需要有选择地吸收教师信号。
• 评测体系同步更新。 OCRBench v2.1 对 2,449 个样本进行了人工核验和标注修正，并引入与任务目标更匹配的评分指标。这样做不仅是刷新榜单，也是在减少标注错误和评价方式不匹配对模型比较造成的影响。

结果与边界

根据项目介绍，PolyOCR-9B 在 OCRBench v2.1 英文和中文评测中分别获得 80.42 和 78.37 分，在 CC-OCR 的三个已评测轨道上取得 82.43 分；这些数字不包含多语言 OCR。另有一个 2.7B 多语言变体在 MDPBench 上达到 87.0 分。论文还报告了其在自建 KIE Benchmark、OmniDocBench v1.6 等测试上的结果，但提供的摘要没有列出完整对照表，因此不宜仅凭宣传页判断其在所有场景中的绝对优势。

意义与影响

PolyOCR-Venus 的价值不只在于把多个 OCR 功能放进一个模型，更在于它把训练和评测视为统一问题：一方面，通过指令跟随框架让模型在不同任务间切换；另一方面，用样本级的监督路由缓解教师模型质量不稳定的问题；同时通过修订基准，提升结果的可解释性和可比性。

这条路线对票据、表格、复杂文档和图像问答等文本密集型场景具有参考意义。不过，现有材料主要展示了基准分数和方法概述，尚不足以说明模型在极端版式、低清图像或更广泛多语言环境中的稳定性。实际部署时仍需结合目标文档、推理成本和错误容忍度进行验证。

来源：Hugging Face Daily Papers