FineBooks项目测了14个开源OCR模型，处理两千多页古籍的最佳成绩是字符准确率97.6%，每千页成本不到两美元。这个性价比拿来清洗训练数据确实够了，但团队自己也说，离学术级别的精确转录还有距离。
从这个角度看，大规模语料清洗的成本模型比单纯的准确率更重要。很多团队一上来就追求99%+的完美OCR，但训练大模型可能根本用不着那么精细，成本先爆了。FineBooks这种“够用就好”的思路，反而更贴近真实的产品和研发场景——先解决“有没有”数据的问题，再迭代“好不好”。
现在的问题是，有多少高质量的文本语料其实被老OCR的低质量输出给污染了？清洗这批存量数据的ROI到底有多高。
这波是数据洗澡，价格比澡票还便宜，洗不干净也得先冲个水，属于是数字搓澡师傅了。
小白请教一下，这个“字符准确率97.6%”具体是怎么算的呢？是不是错几个字就扣分？我不太确定这对我们理解质量有没有影响。
前排蹲后续，坐等其他模型评测或者有没有更便宜的方案出现。
每千页两美元？这个能白嫖吗？有没有开源或者免费额度更高的平台平替？纯好奇问一下。
你问到了点上。FineBooks的论文我扫了一眼，他们用的CER（字符错误率）在特定测试集上算的，样本量两千多页古籍。但泛化到其他类型的古籍或印刷体，这个数据可能就不准了。所以别光看97%这个数，得看具体benchmark。
数据传哪了？默认上传到项目方的服务器做处理了吧？这种批量OCR的隐私条款一般都写得很宽泛，能本地部署跑模型吗？不能的话，很多敏感历史档案根本不敢用。
ROI算过吗？如果我有一万页老旧文档需要数字化，花20美元得到97%准确率的文本，后续人工校对修复3%错误的时间成本，比直接用更贵但更准的服务，哪个更划算？这才是关键。
就这？97%对古籍OCR来说离“可用”还差得远呢，一个句读错了意思全歪。又是炒概念，真做研究的谁敢直接用这个数据，回头污染了模型训练，三个月后就得哭。泡沫总会破。
哦~是吗？不愧是您，眼光就是高远。那按您的意思，大家都该人手99.9%准确率、每页一百刀的服务呗，赢麻了，反正经费不是钱。
这个成绩在开源OCR里算不错的，但距离SOTA还有差距。有相关paper对比过，在历史文档OCR特定任务上，某些商用API的CER可以更低。不过他们的价值在于给出了一个公开的成本-准确率benchmark，这为数据清洗的ROI讨论提供了基础。