OCR 模型怪病「文字系统混淆」：词对字母错，前沿模型全中招
VikParuchuri · x · 2026-10-16
Datalab 创始人 Vik Paruchuri 发帖调查一种罕见 OCR 错误「script confusions」：模型输出的词义或读音正确，却用错了书写系统。典型例子是赞美诗页面上的 "vain" 被写成汉字「罪」（sin 的中文）——模型并非乱码，而是把词「翻译」进了错误的字母表。其他案例包括芬兰语单词结尾冒出阿拉伯字母、希腊字母等。
- 经排查，Gemini 3.8 Flash、Claude Opus 5.5 等被测的前沿模型全都存在此问题
- 此类错误占比极低（不到百分之几的页面）但极隐蔽：edit-distance 指标几乎不变，搜索正确词也找不到
- 团队推测原因：模型内部不同文字系统里同义词的 embedding 几乎相同（如 "cruel" 与「残酷」很接近）
- 后续帖给出修复方案：用新训练技术改进 Chandra 2.5，在困难测试集上文字系统混淆比 Chandra OCR 2.4 减少 7 倍，也少于两大前沿模型
所属事件:OCR 模型跨文字系统混淆调查：词义对却写错字(3 条相关)→
「模型」频道最新
- NVIDIA 发布 120B 视觉语言模型 Nemotron 3.5 Super VL，已上线 Kilo — anacondainc · 2026-10-17
- Artificial Analysis Optima 支持三步自建自定义模型基准 — ArtificialAnlys · 2026-10-16
- 斯坦福 CS336 讲义拆解 MoE 参数与计算的两本账 — stanfordnlp · 2026-10-16
- 408 次调用实测：TypeSafe 新晋模型 Jev 图像输入表现报告 — SeveralSeat2176 · 2026-10-16
- Chandra 2.5 用新训练法将文字混淆减少 7 倍，低于 Gemini 与 Claude — VikParuchuri · 2026-10-16
- Datalab 实测：Gemini Flash 3.8 与 Claude Opus 5.5 同样输出错文字系统 — VikParuchuri · 2026-10-16