蚂蚁发布PolyOCR模型 提升文档视觉解析精度

随着多模态大模型能力提升，传统OCR在处理卡证、报表等复杂业务文档时短板显现。蚂蚁AI安全实验室提出PolyOCR模型，通过能力引导策略优化算法CGPO，将在线策略蒸馏与强化学习结合，旨在为大模型提供基础的视觉文字证据获取能力。

该模型采用统一架构，共享同一视觉编码器，一次性读取页面并输出字符、位置及字段信息。在数据构建方面，团队通过任务导向的数据引擎，将文档重建为可编辑形式并渲染成像，经多模型交叉验证，构建了约6000万条监督微调样本，覆盖文字感知、文档结构及理解推理任务。

训练阶段采用分阶段课程学习，先建立基础能力，再利用CGPO进行样本级路由优化。测评显示，PolyOCR在OCRBenchV2.1、CC-OCR及OmniDocBenchV1.6等多个基准测试中取得高性能，其中CC-OCR不包含多语言方向。

文档智能作为安防与金融业务中关键的信息提取环节，其底层能力的持续优化有助于提升复杂场景下的数据准确性与处理效率。