BanglaWild

新的BanglaWild基准评估OCR和VLM的孟加拉语场景文本识别能力

研究人员推出了BanglaWild，这是一个新的基准，旨在评估光学字符识别（OCR）系统和视觉语言模型（VLM）的孟加拉语场景文本识别能力。该基准包含2,535张图像，并附有详细的转录和错误注释。评估显示，同一家族中较大的模型并不总是优于较小的模型，而视觉识别错误是大多数系统中错误的主要来源，这挑战了此前对孟加拉语OCR的假设。