视觉大模型 / VLM

Consensus Entropy: Harnessing Multi-VLM Agreement for Self-Verifying and Self-Improving OCR

共识熵：利用多视觉语言模型一致性的自验证和自改进OCR

Yulong Zhang, Tianyi Liang, Xinyue Huang, Erfei Cui, Guoqing Wang, Xu Guo, Chenhui Li, Gongshen Liu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； East China Normal University（华东师范大学） ； Sun Yat-sen University（中山大学） 纠错

专题命中 文档图表理解 ：VLM(title,abstract)；vision-language model(abstract)；分类 cs.CV、cs.AI

AI总结 本文提出共识熵，一种无需训练的指标，通过测量多模型一致性熵来估计输出可靠性，开发了CE-OCR框架，通过多模型共识验证输出、选择最佳输出并提升效率，实验表明CE在质量验证中鲁棒，提升F1分数42.1%，优于自一致性及单模型基线。

How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings

文档解析距离解决还有多远？PureDocBench：一个跨干净、退化和现实场景的可追溯基准测试

Zhiheng Li, Zongyang Ma, Jiaxian Chen, Jianing Zhang, Zhaolong Su, Yutong Zhang, Zhiyin Yu, Ruiqi Liu, Xiaolei Lv, Bo Li, Jun Gao, Ziqi Zhang, Chunfeng Yuan, Bing Li, Weiming Hu

机构 * CASIA（中国科学院自动化研究所） ； UCAS（中国科学技术大学） ； NWPU（西北工业大学） ； JLU（吉林大学） ； USTC（中国科学技术大学） ； PKU（北京大学） ； HelloGroup ； ShanghaiTech（上海科技大学） ； Beijing Key Laboratory of Super Intelligent Security of Multi-Modal Information（北京多模态信息超级智能安全重点实验室） 纠错

专题命中 文档图表理解 ：VLM(summary_cn,abstract_cn)；分类 cs.CV

AI总结 本文提出PureDocBench，一个可追溯的基准测试，覆盖10个领域、66个子类和1475页文档，包含清洁、数字退化和现实退化三种版本。评估40种模型发现，文档解析尚未解决，最佳模型得分仅74分，公式识别仍是瓶颈，通用VLM在退化下表现不如专用模型。

Comments 42 pages, 20 figures, 16 tables