在AI-2.0时代，OCR模型的研究难道到头了吗！？（OCR：一种将图像中的文字转换为可编辑和可搜索文本的技术）

Vary作者团队开源了第一个迈向OCR-2.0的通用端到端模型GOT。

用实验结果向人们证明：No~No~No~

话不多说，直接上效果图：

研究团队称，尽管GOT模型表现不错，但也存在一些局限，如更多的语言支持，更复杂的几何图，chart上的OCR性能。

他们说OCR-2.0的研究还远的很，GOT也还有不小提升空间（该项目在数据和算力资源上都是非常受限的）。

通用OCR模型须要够通用，体现在输入输出都要通用上。

GOT的通用具体表现为：在输入方面，模型支持Scene Text OCR、Document OCR、Fine-grained OCR、More General OCR等任务。

输出方面，模型同时支持plain texts输出以及可读性强、可编辑的formatted文本输出，如markdown等。

模型的结构和训练方法，采用vision encoder+input embedding layer+decoder的pipeline。

Encoder主体采用带local attention的VITDet架构，不会让CLIP方案的全程global attention在高分辨率下激活太大，炸显存。

Encoder后两层采用Vary的双卷积设计方案。整个Encoder将1024×1024×3的图像压缩为256×1024的image tokens，足以做好A4纸级别的dense OCR。

研究团队将整个训练过程分为三个步骤，没有一个阶段锁LLM，过程中没有存在图像到文本的对齐阶段，进而导致损害image token的文字压缩率。

三个训练阶段分别为：

第一阶段：高效预训练encoder，GOT在整个训练过程中，没有A100级别的卡，为了节省资源，该阶段使用小型OPT-125M作为decoder为encoder提供优化方向，快速灌入大量数据。

第二阶段：联合训练encoder-decoder，该阶段GOT的基本结构搭建完成，为上一阶段预训练好的encoder，以及Qwen团队预训练好的Qwen0.5B。

研究团队稍稍加大了decoder的大小，因为该阶段需要喂入大量OCR-2.0的知识，而不少数据（如化学式的OCR）其实也是带点reasoning的，不过更小的decoder他们未敢尝试。

第三阶段：锁住encoder，加强decoder以适配更多的OCR应用场景，如支持坐标或者颜色引导的细粒度OCR（点读笔可能会用到），支持动态分辨率OCR技术（超大分辨率图可能会用到），多页OCR技术。

面对整个GOT模型设计中最困难的数据工程环节。研究团队为了构造各种各样的数据，还学习了众多数据渲染工具，包括Latex，Mathpix-markdown-it，Matplotlib，Tikz，Verovio， Pyecharts等等。