Ahmed Heakl

DocAtlas框架提升低资源语言的多语言文档理解能力

研究人员推出DocAtlas，一个旨在改进多语言文档理解的新颖框架，尤其针对低资源语言。该系统使用DOCX和合成LaTeX生成的双管道，构建了82种语言的高保真OCR数据集和基准。对16个最先进模型的评估突显了低资源脚本中持续存在的性能差距，但DocAtlas证明，直接偏好优化（DPO）结合渲染得出的地面真实数据，可以稳定地进行多语言模型适配，在不降低基础语言性能的情况下提高准确性。