FineBooks 测评 14 款开源 OCR 模型改善 AI 训练数据质量

Hugging Face 与 EleutherAI 联合发起 FineBooks 项目，系统测评 14 款开源 OCR 模型在古籍扫描页上的表现，旨在为开源语言模型训练数据「除锈」。Talkie 项目此前警示，用旧 OCR 文本训练语言模型，效率仅为人工转录的 30%。

团队在 2,165 页历史书籍扫描件上实测，最佳模型 dots.mocr（3B 参数）字符准确率达 97.6%,每千页成本 $1.94;次优的 OvisOCR2(0.9B)在 $0.46 极低成本下取得 96.9% 准确率。模型大小与质量不相关，9.7B 的 Qwen3.5-9B 准确率仅 94.9%。

项目组判断，当前水平可用于 AI 训练，但不足以支撑学术转录。

💡 为什么值得看FineBooks 针对旧 OCR 文本训练效率低（仅人工 30%）提出可规模化修复方案及成本限制。