PulseAugur
中
实时 10:39:23
English(EN) Cross-Temporal Sinhala OCR: Page-Level Adaptation and Diachronic Analysis

新的僧伽罗语 OCR 数据集和 LightOnOCR-2-1B 达到最先进性能

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的数据集 sinhala-ocr-lk-acts-1010，以改进僧伽罗语的光学字符识别 (OCR)。僧伽罗语是一种约有 1600 万人使用的语言。该数据集包含来自斯里兰卡立法法案跨越二十年的 1010 个页面级图像和转录文本。通过使用 QLoRA 对 DeepSeek-OCR V1、DeepSeek-OCR V2 和 LightOnOCR-2-1B 等模型进行微调，研究发现 LightOnOCR-2-1B 是表现最佳的模型。它实现了 1.05% 的字符错误率 (CER)，显著优于包括 Surya-OCR、Tesseract v5 和 Google Document AI 在内的其他开源和商业 OCR 模型。 AI

影响 推动了低资源语言的 OCR 能力，可能为僧伽罗语文本处理带来新的应用。

排序理由 该项目描述了一个新的僧伽罗语 OCR 数据集和微调模型，包括基准测试结果。[lever_c_demoted from research: ic=1 ai=1.0]

在 Hugging Face Daily Papers 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的僧伽罗语 OCR 数据集和 LightOnOCR-2-1B 达到最先进性能

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该项目描述了一个新的僧伽罗语 OCR 数据集和微调模型，包括基准测试结果。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, model release
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
73 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. Hugging Face Daily Papers TIER_1 English(EN) ·

    跨时序僧伽罗语 OCR：页面级自适应与历时分析

    Sinhala is a morphologically rich abugida spoken by roughly 16 million people in Sri Lanka, and to date, there are no publicly available real-world datasets for page-level Sinhala OCR. All previous studies for assessing Sinhala OCR models have used artificially generated data. To…

相关实体

相关话题