历史文档OCR的实体级评估研究

OCR排名会随评估标准变化，实体级指标可补充整体转录指标。

资讯摘要

论文提出对历史文档OCR进行实体级错误分析，作为字符错误率（CER）等整体指标的补充。作者使用Berrutti档案中175份文档的公开基准，并人工标注5,209个实体提及（接收后发布），比较序列识别OCR系统、OCR专用视觉语言模型与通用视觉语言模型。实验显示OCR排名随评估标准变化：Qwen 3.6在各容差下实体覆盖率最高，部分精确匹配覆盖率较低的系统在容忍小错误后恢复明显，说明其错误多为局部字符偏差而非实体转录根本错误。

要点速读

1. 论文在175份Berrutti档案文档上人工标注5,209个实体提及，用于实体级OCR评估。
2. 实验比较序列识别OCR、OCR专用视觉语言模型和通用视觉语言模型三类系统。
3. Qwen 3.6在各字符级编辑容差下实体覆盖率最高；部分系统在放宽匹配后实体恢复率显著提升。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。