跳到主要内容

OpenThai 2.1 OCR:支持手机照片和公式,修复来自真实用户的反馈

· 7 分钟阅读
Kobkrit Viriyayudhakorn
CEO @ iApp Technology

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-benchOmniDocBench v1.6
OpenThai 2.1 OCR Markdown0.63B82.580.773.179.6
OpenThai 2.0 OCR Markdown0.63B73.772.750.961.8
Nemotron 3.5 Parse(基础模型)0.63B79.677.462.480.1
Typhoon OCR V2 2B2B87.085.084.791.5
  • 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 仓库以及我们的 Windows、Mac 和 Linux 指南。

API 已运行 2.1 版​

OpenThai 2.1 OCR Markdown API 自 2026 年 11 月 18 日 08:33 起运行 2.1 版,接口和价格不变,每页 0.15 IC。如果你正在使用,Markdown 有四处变化:页眉和页脚不再出现在其中(仍保留在 blocks 中),公式以 $$...$$ 输出,空白页返回空结果,ำ 写作一个字符。

OpenThai 2.1 OCR Text​

OCR Text 是小模型:三个文件共 6.6 MB,在 CPU 上每页 0.39 秒,无需 GPU,也无需联网。2.1.4 版沿用 2.0 版的模型文件,配以新的运行时和第二个识别器。修复内容:

  • 声调符号浮在字行上方的古籍。 在一本 1935 年印刷书籍的测试页上,错误率从 21.5% 降至 4.8%。
  • 无圈字体,例如 Kanit、Prompt 和 Sukhumvit Set,不再被读成拉丁字母:在模型从未见过的字体的 12 页测试页上,误读出的拉丁字母从 58 个降至 11 个。
  • 两栏和三栏页面逐栏读取,列表保持行序。
  • 单字符表格单元格: 单元格中单独的数量“2”或星期代码 M、T、W 会被保留,“280,00”这样的金额输出为“280.00”。
  • 更少内存: 在 Mac 和 Windows 上占用更少内存,并附带列出已测试软件包版本的 requirements.txt。

在 12 个印刷文字测试集上,平均分从 87.8 升至 88.3;在 ThaiOCRBench 整页上,从 82.0 升至 84.1。上面几乎每一项修复都始于一条反馈:我们 Facebook 帖子下的评论,或 GitHub 上基于该模型的项目中的变通做法。

OpenThai 2.1 OCR Text API 自 2026 年 11 月 16 日起运行 2.1.2 版,包含声调符号、分栏和无圈字体的修复。2.1.4 版的单字符单元格和小数点修复在下载版本中提供。

仍然落后的地方​

在手机照片、英文页面和公式上,Typhoon OCR V2 2B 仍领先 OCR Markdown:MDPBench 上为 87.0,我们为 82.5;olmOCR-bench 上为 84.7,我们为 73.1;OmniDocBench 上为 91.5,我们为 79.6。差距最大的是公式:OmniDocBench 公式得分为 67.0 对 95.1。为了下一个版本,我们正在收集泰文文档的真实照片和更多公式数据。

从 2.0 版升级​

两个仓库的名称现在都带有发布日期。旧名称 iapp/OpenThai2.0-OCR-Markdown 和 iapp/OpenThai2.0-OCR-Text 会自动跳转到新仓库,原有链接和代码可继续使用,并获得 2.1 版。

hf download iapp/OpenThai2.1-OCR-Markdown-20261118 --local-dir OpenThai2.1-OCR-Markdown
hf download iapp/OpenThai2.1-OCR-Text-20261118 --local-dir OpenThai2.1-OCR-Text

如需固定版本:OCR Markdown 2.1 使用 --revision v2.1.0,OCR Text 2.1.4 使用 --revision v2.1.4,两个模型的 2.0 版均使用 --revision v2.0.0。在 Python 中,把同样的值作为 revision= 传给 snapshot_download。如需让 2.1 模型输出 2.0 版的 Markdown(保留页眉、公式为 \(...\)),请参阅模型页面。

感谢所有试用 2.0 版并告诉我们问题所在的用户。如果仍有文档识别不佳,请将不含个人数据的样本发送至 sale@iapp.co.th。

Built on NVIDIA Nemotron. OCR Markdown 是基于 NVIDIA Nemotron 3.5 Parse 的泰文微调模型,采用 OpenMDW-1.1 许可;OCR Text 采用 Apache-2.0 许可。由 iApp 开发,与 AIEAT 联合发布。在 Siam AI Corporation 提供的 NVIDIA H100 GPU 上训练。