OCRVerse — 端到端”整体 OCR”（2026）
📄 原文：arXiv:2601.21639 · PDF
⭐ 提出 “holistic OCR”：把文本中心(文档) + 视觉中心(图表/网页/科学图) OCR 统一到一个端到端模型，别再分家。
一句话
首个端到端 holistic OCR：统一处理 text-centric（普通文档）和 vision-centric （图表 charts、网页 web pages、科学图 plots）两类 OCR；靠全面数据工程 + 两阶段 SFT + RL 多域训练，避免碎片 pipeline 的幻觉（错误阅读顺序、漏内容）。
核心论点 & 方法
- holistic 范式：传统方法要么 pipeline（灵活但微调贵）、要么 VLM 端到端（简洁但幻觉多）。 OCRVerse 主张一个模型通吃文本类 + 视觉类文档。
- 两条互补策略：① 全面数据工程覆盖 text-centric + composites（图表/网页/科学图） ② 两阶段 SFT + RL 多域训练。
对 OCR 系统设计的启示
- 别只盯文档文本：真实场景有大量 vision-centric 内容（图表、网页截图、科学 plot）， 它们的”OCR”是要理解结构/数值/坐标轴，不只是认字。检测前端检测 + 后端生成要预留这类元素 （chart→表格化、plot→数据点），否则覆盖不全。
- 多域数据工程是通用能力的前提：单一文档域训不出通吃。
- SFT + RL 两段：先 SFT 学格式，再 RL 修多域鲁棒性——又一个 SFT→RL 配方佐证。
关联
- 图表/复杂元素也覆盖：dots-ocr、youtu-parsing
- SFT+RL 训练：firered-ocr、logics-parsing
- 基准：omnidocbench