OpenThai 2.1 OCR:支持手机照片和公式,修复来自真实用户的反馈
六天前,我们发布了 OpenThai 2.0 OCR,这是来自 OpenThai(原 OpenThaiGPT)的两个免费泰文 OCR 模型。用户很快就把它们用了起来:有人做了在浏览器中读取文档的网页,有人做了 Windows 桌面应用,还有人在近千页泰国政府文档上做了测试。他们也通过评论和自己的代码告诉我们模型在哪里出错。今天我们发布两个模型的 2.1 版,其中大部分改动都来自这些反馈。
OCR Markdown:huggingface.co/iapp/OpenThai2.1-OCR-Markdown-20261118 · OCR Text:huggingface.co/iapp/OpenThai2.1-OCR-Text-20261118 · llama.cpp 用 GGUF:OpenThai2.1-OCR-Markdown-20261118-GGUF
OpenThai 2.1 OCR Markdown
OCR Markdown 把整页读成 Markdown,每张表格都保留为 HTML 表格。2.0 版主要用泰国公文训练。2.1 版加入了拍摄的页面(弯曲、有折痕、有阴影),以及另外九类泰文和英文页面:学术论文、书籍、漫画、试卷、杂志、报纸、报告、幻灯片和教科书。
手机拍摄页面和英文页面的公开基准,使用 Typhoon OCR V2 2B 公开的评测配置运行,并以各基准自带的评分程序评分。每列最佳分数以粗体标出。
| 模型 | 规模 | MDPBench 泰文和英文 | MDPBench 泰文 | olmOCR-bench | OmniDocBench v1.6 |
|---|---|---|---|---|---|
| OpenThai 2.1 OCR Markdown | 0.63B | 82.5 | 80.7 | 73.1 | 79.6 |
| OpenThai 2.0 OCR Markdown | 0.63B | 73.7 | 72.7 | 50.9 | 61.8 |
| Nemotron 3.5 Parse(基础模型) | 0.63B | 79.6 | 77.4 | 62.4 | 80.1 |
| Typhoon OCR V2 2B | 2B | 87.0 | 85.0 | 84.7 | 91.5 |
- MDPBench:320 页泰文和英文页面,其中四分之三为手机拍摄,不含公式指标。对 Typhoon OCR V2 2B 为 −4.5,[−7.0, −2.0];泰文页面为 −4.3,[−8.4, −0.4]。差距最大的是拍摄的泰文页面(78.4 对 84.4)及其中的表格;原生数字泰文页面持平(87.7 对 87.1)。
- olmOCR-bench(1,403 页英文 PDF)和 OmniDocBench v1.6(1,651 页英文和中文页面):与 Typhoon OCR V2 2B 的差距主要在公式,OmniDocBench 公式 CDM 为 67.0 对 95.1。中文不是本模型的目标语言。
在手机照片(MDPBench)上,得分从 73.7 升至 82.5,仅泰文页面从 72.7 升至 80.7。在英文 PDF 页面(olmOCR-bench)上,从 50.9 升至 73.1。
泰国公文的识别效果与以前相同。在 65 页含表格的泰国政府和大学文档上得分 94.0(2.0 版:95.2,[−2.9, +0.3],差异不显著),仍领先 Typhoon OCR V2 2B 的 91.6。模型规模不变,仍为 6.3 亿参数,速度也不变,在一张 NVIDIA H100 上每页 1.5 秒。
Markdown 本身也更干净了,这同样来自用户的反馈:
- 公式以 LaTeX 输出,写在
$$之间。 - 页眉和页脚不再进入 Markdown,但仍保留在区块列表中,并带有位置框。
- 空白页返回空结果。2.0 版有时会在空白页上编造文字。
- ำ 写作一个字符,泰文文本因此与搜索和拼写检查的预期一致;表格单元格也不再带有
rowspan="1"或colspan="1"。
现在可以通过 llama.cpp 在 Mac 或 CPU 上运行
2.0 版需要 vLLM,而 vLLM 运行于 Linux。没有 vLLM 时,用户反映在笔记本 GPU 上每页需要 5 到 11 秒,在 CPU 上需要一到两分钟。2.1 版另外提供 llama.cpp 用的 GGUF 文件,无需 PyTorch 或 vLLM 即可在 Mac、CPU 或消费级 GPU 上运行。上游 llama.cpp 尚未包含该模型,因此我们发布了自己的分支:iapp-technology/llama.cpp,分支 nemotron-parse。
在 30 页测试页面中,GGUF 版本有 30 页的 Markdown 与原模型完全相同。在 Apple M3 Max 上,使用 Metal 每页 4.8–7.0 秒,仅用 CPU 约 58 秒。具体命令见 GGUF 仓库