HuggingFace 每日论文GuangJian Team
PolyOCR-Venus：面向文本中心视觉智能的统一OCR基座模型
原标题:PolyOCR-Venus: Unified OCR Foundation Models for Text-Centric Visual Intelligence
论文78
OCR 正从基础的文字转录转向结合定位与推理的视觉理解。PolyOCR 提出覆盖多种尺寸的统一基础模型，通过能力引导策略优化（CGPO）在强化学习与在策略蒸馏之间依难度动态路由。配合重新校准标注的 OCRBench v2.1，复杂图文与文档解析被更紧密地纳入统一的多模态推理框架中。
为什么值得读
提出了结合强化学习与教师蒸馏的动态路由训练策略（CGPO），为多模态基座模型处理密集文本与文档推理提供了系统化方案。
标签
OCRmultimodalfoundation-modelsRLdocument-parsingdistillationarXiv