螞蟻推出PolyOCR：2B參數全場景文本智能

為何OCR要升級

傳統OCR以識別文字為目標，但在真實業務中，模型接到的輸入是一張卡證、一份報表或一整頁合同，輸出要求則是「哪個字段是甚麼、數字從哪裡來」。僅能辨字的系統，難以支撐精確的文檔問答與業務判斷。

螞蟻AI安全實驗室認為，字符、位置、版式與字段關係共同決定模型「讀到了甚麼」，也決定它據此「能回答甚麼」；把它們放進一條連續的理解過程，才能衡量模型對業務材料的掌握程度。

技術方案解析

PolyOCR標榜同一架構覆蓋全場景文本智能，並以能力引導策略優化算法CGPO，將在線策略蒸餾與強化學習結合，為大模型裝上「讀懂文檔」的底層能力。該模型參數規模為2B，主打在有限規模下兼顧精度與效率。

應用價值

面向卡證、報表、合同等真實業務文檔，這類能力可讓模型準確解析字段語義、數值來源與結構關係，支撐高精度且可解釋的文檔理解，對需要處理大量業務材料的企業應用具參考價值。