Старий OCR шкодить тренуванню мовних моделей, а FineBooks планує виправити це у масштабі
Проект FineBooks протестував 14 відкритих OCR-моделей на понад 2000 сторінок історичних книг. Найкраща модель dots.mocr показала 97,6% точності за менше ніж два долари за тисяч сторінок, достатньо для даних AI‑тренування, але не для академічних транскрипцій.
📊 Висока точність. Докращений OCR зменшує шум у даних для тренування LLM — корисно для медиа- та освітніх компаній, що працюють з історичними текстами.
Ключові тези
- Проект FineBooks протестував 14 відкритих OCR-моделей на понад 2000 сторінок історичних книг.
- Найкраща модель dots.mocr досягла 97,6% символічної точності при вартості менше 2 доларів за 1000 сторінок.
- Така точність достатня для підготовки даних до тренування LLM, але не для академічних транскрипцій.
- Команда планує масштабувати покращення OCR для покращення AI‑тренування у великих обсягах даних.
- Доступний за низькою вартістю OCR може зменшити шум у даних, що використовуються для тренування мовних моделей.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секунд🔒 Підтекст (Insider)
Проект FineBooks показав, що відкрита модель dots.mocr досягає 97,6% точності за менше ніж два долари за тисяч сторінок, робивши OCR достатньо дешевим для масштабного підготовлення даних до LLM. Це сигналізує, що доступність високоякісного OCR може знизити бар’єр для малих команд, що хочуть тренувати власні моделі на архівних матеріалах.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
Джерела
The Decoder — оригіналНавчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live