精选理由
新数据集让僧伽罗语OCR有了真实评测基准，LightOnOCR-2-1B 只用1.05%错误率碾压商业和开源方案，适合做古籍或法律文档自动识别。
研究者发布 sinhala-ocr-lk-acts-1010 数据集，包含1,010页来自斯里兰卡立法法案（1981-1989与2000-2019年）的页面级图像与转录文本，划分为707训练、101验证和202测试样本。使用QLoRA在8次实验中微调 DeepSeek-OCR V1、DeepSeek-OCR V2 和 LightOnOCR-2-1B 三个模型。LightOnOCR-2-1B 取得最佳性能，在全部测试样本上字符错误率(CER)为1.05%，优于 Surya-OCR（8.84%）、Tesseract v5（10.69%）和 Google Document AI（2.06%）。该模型在不同印刷年份的文档上表现一致，即使文档严重退化仍保持性能。
AI 翻译 · 中文
研究者发布 sinhala-ocr-lk-acts-1010 数据集，包含1,010页来自斯里兰卡立法法案（1981-1989与2000-2019年）的页面级图像与转录文本，划分为707训练、101验证和202测试样本。使用QLoRA在8次实验中微调 DeepSeek-OCR V1、DeepSeek-OCR V2 和 LightOnOCR-2-1B 三个模型。LightOnOCR-2-1B 取得最佳性能，在全部测试样本上字符错误率(CER)为1.05%，优于 Surya-OCR（8.84%）、Tesseract v5（10.69%）和 Google Document AI（2.06%）。该模型在不同印刷年份的文档上表现一致，即使文档严重退化仍保持性能。
Sinhala is a morphologically rich abugida spoken by roughly 16 million people in Sri Lanka, and to date, there are no publicly available real-world datasets for page-level Sinhala OCR. All previous studies for assessing …