論文の概要: PP-OCRv5: A Specialized 5M-Parameter Model Rivaling Billion-Parameter Vision-Language Models on OCR Tasks

• arxiv url: http://arxiv.org/abs/2603.24373v1
• Date: Wed, 25 Mar 2026 14:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.341537
• Title: PP-OCRv5: A Specialized 5M-Parameter Model Rivaling Billion-Parameter Vision-Language Models on OCR Tasks
• Title（参考訳）: PP-OCRv5:OCRタスクにおける10億Parameter Vision-Language Modelを用いた500MParameterモデル
• Authors: Cheng Cui, Yubo Zhang, Ting Sun, Xueqing Wang, Hongen Liu, Manhui Lin, Yue Zhang, Tingquan Gao, Changda Zhou, Jiaxuan Liu, Zelun Zhang, Jing Zhang, Jun Zhang, Yi Liu,
• Abstract要約: OCR 2.0 と大規模視覚言語モデル (VLM) はテキスト認識のベンチマークを新たに設定した。 PP-OCRv5は,500万のパラメータしか持たない高度に最適化された軽量なOCRシステムである。
• 参考スコア（独自算出の注目度）: 21.41974664575541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of "OCR 2.0" and large-scale vision-language models (VLMs) has set new benchmarks in text recognition. However, these unified architectures often come with significant computational demands, challenges in precise text localization within complex layouts, and a propensity for textual hallucinations. Revisiting the prevailing notion that model scale is the sole path to high accuracy, this paper introduces PP-OCRv5, a meticulously optimized, lightweight OCR system with merely 5 million parameters. We demonstrate that PP-OCRv5 achieves performance competitive with many billion-parameter VLMs on standard OCR benchmarks, while offering superior localization precision and reduced hallucinations. The cornerstone of our success lies not in architectural expansion but in a data-centric investigation. We systematically dissect the role of training data by quantifying three critical dimensions: data difficulty, data accuracy, and data diversity. Our extensive experiments reveal that with a sufficient volume of high-quality, accurately labeled, and diverse data, the performance ceiling for traditional, efficient two-stage OCR pipelines is far higher than commonly assumed. This work provides compelling evidence for the viability of lightweight, specialized models in the large-model era and offers practical insights into data curation for OCR. The source code and models are publicly available at https://github.com/PaddlePaddle/PaddleOCR.
• Abstract（参考訳）: OCR 2.0」と大規模視覚言語モデル(VLM)の出現により、テキスト認識の新しいベンチマークが設定された。 しかし、これらの統一されたアーキテクチャは、しばしば重要な計算上の要求、複雑なレイアウト内での正確なテキストローカライゼーションの課題、およびテキスト幻覚の正当性をもたらす。 本稿では,モデルスケールが高精度への唯一の道である,という一般的な考え方を再考し,500万のパラメータしか持たない厳密に最適化された軽量OCRシステムであるPP-OCRv5を紹介する。 PP-OCRv5は、標準的なOCRベンチマークで数十億パラメータのVLMと競合する性能を実現し、ローカライズ精度と幻覚の低減を実現している。 私たちの成功の基盤は、アーキテクチャの拡張ではなく、データ中心の調査にあります。 データ難易度、データの正確性、データの多様性の3つの重要な次元を定量化することで、トレーニングデータの役割を体系的に判別する。 大規模な実験により,従来の2段OCRパイプラインの性能天井は,高品質で正確なラベル付き,多種多様であることが明らかとなった。 この研究は、大規模モデル時代の軽量で専門的なモデルの生存可能性を示す説得力のある証拠を提供し、OCRのデータキュレーションに関する実践的な洞察を提供する。 ソースコードとモデルはhttps://github.com/PaddlePaddle/PaddleOCRで公開されている。

関連論文リスト

• GLM-OCR Technical Report [65.42028025507491]
  GLM-OCRは実世界の文書理解のために設計された効率的なコンパクトモデルである。 CogViTビジュアルエンコーダとGLM言語デコーダを組み合わせることで、計算効率と認識性能のバランスが強い。 公開ベンチマークと産業シナリオの大規模な評価は、GLM-OCRが競争力や最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2026-03-11T15:55:47Z)
• SimpleOCR: Rendering Visualized Questions to Teach MLLMs to Read [43.28273039987167]
  テキストクエリを画像に直接描画するVisualized-Question (VQ) 設定を導入する。 強力なOCR能力を持つにもかかわらず、モデルはVQ設定で最大12.7%の性能低下に悩まされる。 学習プロセスに構造的制約を課すプラグアンドプレイトレーニング戦略であるSimpleOCRを提案する。
  論文  参考訳（メタデータ） (2026-02-25T21:36:30Z)
• E-ARMOR: Edge case Assessment and Review of Multilingual Optical Character Recognition [3.186993645370078]
  本研究では,資源制約環境におけるエッジ配置に最適化された新しいOCRシステムであるSprinklr-Edge-OCRを紹介する。 本稿では,5つの最先端LVLM(InternVL, Qwen, GOT OCR, LLaMA, MiniCPM)と2つの従来のOCRシステム(Sprinklr-Edge-OCR, SuryaOCR)を比較した。 この結果から,エッジデプロイメントに最適なOCRシステムは,計算要求の低さ,低さ,従来のOCRシステムであることがわかった。
  論文  参考訳（メタデータ） (2025-09-03T18:08:41Z)
• TextSquare: Scaling up Text-Centric Visual Instruction Tuning [62.878378882175284]
  大規模かつ高品質な命令チューニングデータセットSquare-10Mを作成するための新しいアプローチを提案する。 われわれのモデルであるTextSquareは、最先端のText中心のMLLMをはるかに上回っている。 さらに、GPT4VやGeminiといったトップクラスのモデルでは、テキスト中心のベンチマークを10つ中6つで上回っている。
  論文  参考訳（メタデータ） (2024-04-19T11:38:08Z)
• Towards Efficient Vision-Language Tuning: More Information Density, More Generalizability [73.34532767873785]
  本稿では,行列が特定の特徴空間に強く属しているかを示すために,情報密度(ID)の概念を提案する。 Dense Information Prompt (DIP)を導入し、情報密度を高め、一般化を改善する。 DIPは、調整可能なパラメータの数と必要なストレージスペースを大幅に減らし、リソース制約のある設定で特に有利になる。
  論文  参考訳（メタデータ） (2023-12-17T20:42:43Z)
• PP-OCRv3: More Attempts for the Improvement of Ultra Lightweight OCR System [11.622321298214043]
  PP-OCRv3は、PP-OCRv2に基づいてテキスト検出モデルとテキスト認識モデルを9つの側面でアップグレードする。 実データによる実験では、PP-OCRv3のマハンはPP-OCRv2より5%高い。
  論文  参考訳（メタデータ） (2022-06-07T04:33:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。