蚂蚁推出OCR大模型：同一架构实现全场景文本智能，2B参数也能打

随着多模态大模型越来越强，OCR的短板反而逐渐明显。面向此类真实业务文档与卡证场景，OCR应当作为大模型获取视觉文字证据的基础能力来建设。据此，蚂蚁AI安全实验室提出PolyOCR，以能力引导策略优化算法CGPO，将在线策略蒸馏与强化学习结合，给大模型装上“读懂文档”的底层能力。而PolyOCR的思路是统一文字识别与版式解析：让大模型一次性读取整个页面，同时输出“这是什么字”“字在哪”“是什么字段”这三层信息。数据工程：高效构建6000万条OCR监督数据 如果按自然收集到的数据比例训练，常见的印刷文字可能占比过高，而复杂表格、字段关联和长尾版式得不到足够学习。