Nanonets telah mengeluarkan OCR-S, sebuah model bahasa-penglihatan berparameter 3 bilion yang direka untuk menukar dokumen kepada format markdown berstruktur. Model ini menjanjikan ciri-ciri canggih seperti pengecaman persamaan LaTeX, pengesanan tandatangan, dan pengekstrakan jadual kompleks. Walau bagaimanapun, pelancaran ini telah mencetuskan perdebatan dalam komuniti pembangun mengenai pelesenan dan kebolehcapaiannya.
Spesifikasi Model:
- Saiz Model: 3 bilion parameter
- Model Asas: Qwen-2.5-VL-3B
- Bahasa Utama: Bahasa Inggeris (dengan sokongan terhad untuk bahasa Cina dan bahasa Eropah)
- Lesen: Pemberat terbuka (bukan sumber terbuka)
- Ketersediaan: Hab model Hugging Face
Kekeliruan Sumber Terbuka vs Berat Terbuka
Perbincangan paling hangat tertumpu pada sama ada Nanonets-OCR-S benar-benar sumber terbuka. Ahli komuniti dengan pantas menunjukkan bahawa model tersebut nampaknya mempunyai sekatan pelesenan yang menghalangnya daripada diklasifikasikan sebagai perisian sumber terbuka. Pengarang model tersebut menjelaskan bahawa ia harus dianggap sebagai berat-terbuka dan bukannya sumber terbuka, bermakna berat model terlatih tersedia untuk dimuat turun, tetapi kod latihan dan proses pembangunan penuh kekal proprietari.
Perbezaan ini amat penting bagi pembangun dan organisasi yang perlu memahami hak mereka untuk mengubah suai, mengedarkan, atau menggunakan model secara komersial. Model berat-terbuka menyediakan akses kepada parameter terlatih tetapi mungkin masih mempunyai sekatan penggunaan.
Kebimbangan Prestasi Pelbagai Bahasa
Beberapa ahli komuniti menimbulkan persoalan mengenai prestasi model dengan dokumen bukan bahasa Inggeris. Pengarang mengakui bahawa walaupun model tersebut dilatih terutamanya pada teks bahasa Inggeris, data latihan termasuk jumlah yang lebih kecil bahasa Cina dan bahasa Eropah. Model asas Qwen-2.5-VL-3B yang mendasari memang menyokong pelbagai bahasa, yang mungkin membantu dengan pemprosesan dokumen antarabangsa.
Model ini dilatih terutamanya pada dokumen bahasa Inggeris, itulah sebabnya bahasa Inggeris disenaraikan sebagai bahasa utama. Walau bagaimanapun, data latihan memang termasuk perkadaran yang lebih kecil bahasa Cina dan pelbagai bahasa Eropah.
Bagi organisasi yang memproses dokumen dalam bahasa selain bahasa Inggeris, had ini boleh memberi impak yang ketara kepada kegunaan model dalam aplikasi dunia sebenar.
Cabaran Penanda Aras dan Penilaian
Kekurangan penanda aras piawai untuk penukaran dokumen-ke-markdown telah menyukarkan penilaian prestasi model secara objektif. Pengarang menjelaskan bahawa menilai penukaran imej-ke-markdown menimbulkan cabaran unik kerana pelbagai output betul boleh wujud untuk dokumen input yang sama. Sebagai contoh, apabila memproses dokumen dengan blok maklumat bersebelahan, model berbeza mungkin mengekstrak kandungan dalam susunan berbeza sementara kedua-duanya betul secara teknikal.
Cabaran penilaian ini menyerlahkan isu yang lebih luas dalam bidang pemprosesan dokumen, di mana metrik ketepatan tradisional mungkin tidak menangkap keperluan bernuansa penukaran dokumen berstruktur.
Persaingan dan Alternatif
Pengeluaran ini bertepatan dengan model OCR lain yang memasuki pasaran, termasuk MonkeyOCR, yang juga menggunakan pelesenan Apache 2.0. Masa ini menunjukkan peningkatan minat dalam model bahasa-penglihatan ringan dan khusus untuk tugas pemprosesan dokumen. Persaingan mungkin mendorong penambahbaikan dalam kedua-dua prestasi dan kejelasan pelesenan merentasi bidang.
Perbincangan komuniti mendedahkan bahawa walaupun Nanonets-OCR-S menawarkan keupayaan teknikal yang mengagumkan, persoalan mengenai pelesenan, sokongan pelbagai bahasa, dan penilaian piawai kekal sebagai pertimbangan penting bagi pengguna berpotensi. Organisasi yang menilai model harus mengkaji dengan teliti terma pelesenan dan menguji prestasi pada jenis dokumen dan bahasa khusus mereka.
Rujukan: Nanonets-OCR-S