Diego Belzarena

视觉语言模型在历史文献OCR中表现出细微的幻觉

一篇新的研究论文分析了视觉语言模型（VLM）在转录历史文献方面的性能。研究发现，尽管它们在字符错误率（CER）和单词错误率（WER）等标准指标上优于传统的OCR系统，但它们表现出细微但关键的故障模式。这些模式包括生成虚假内容和进行语义替换，这些替换在不显著影响CER/WER的情况下改变了含义，尤其影响了命名实体。该研究强调，需要采用评估方法来评估语义可靠性，而不仅仅是字符准确性，以满足档案转录的需求。