اگر در پروژههای پردازش تصویر و استخراج اطلاعات از اسناد فعالیت میکنید، حتماً میدانید که انتخاب مناسبترین OCR یا مدل زبانی چندوجهی (MLLM) چقدر چالشبرانگیز است؛ بهویژه وقتی دادههای کمی در اختیار دارید.
محققان در مطالعه جدید خود، فریمورک نوآورانه DocOCR-Eval را معرفی کردهاند. این سیستم هوشمند میتواند بدون نیاز به «Ground Truth» (دادههای صحیح از پیش تعیین شده) و تنها با استفاده از یک استراتژی سهمرحلهای، عملکرد ابزارهای مختلف را ارزیابی و بهترین گزینه را برای اسناد شما انتخاب کند. این راهکار میتواند هزینههای گزافِ آمادهسازی دیتاستهای دستی را به شدت کاهش دهد.
این ابزار میتواند مسیر پیادهسازی سیستمهای تحلیل اسناد (Document Parsing) را برای توسعهدهندگان بسیار هموارتر کند. 📄✨
منبع: arXiv AI