视觉大模型 / VLM

Can OCR-VLMs Read Devanagari? A Stress-Test Benchmark and Post-Correction Study

OCR-VLM能阅读天城文吗？一项压力测试基准与后纠正研究

Aditya Pratap Singh

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

AI总结 本研究通过合成退化条件和真实扫描图像，系统评估了10种OCR系统在天城文（印地语）上的表现，发现专用OCR-VLM在退化条件下最脆弱，真实扫描性能远低于合成文本，并提出了错误分类和后纠正方法。

Comments 9 pages, 5 figures. Benchmark and code released

HSD: Training-Free Acceleration for Document Parsing Vision-Language Models with Hierarchical Speculative Decoding

HSD：基于分层推测解码的文档解析视觉语言模型训练免费加速

Wenhui Liao, Hongliang Li, Pengyu Xie, Xinyu Cai, Yufan Shen, Yi Xin, Qi Qin, Shenglong Ye, Tianbin Li, Ming Hu, Junjun He, Yihao Liu, Wenhai Wang, Min Dou, Bin Fu, Botian Shi, Yu Qiao, Lianwen Jin

机构 * South China University of Technology（华南理工大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shenzhen Institute of Advanced Technology, CAS（中国科学院深圳先进技术研究院） ； Nanjing University（南京大学） 纠错

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

AI总结 本文提出HSD分层推测解码框架，通过轻量级管道起草器预测区域划分并生成粗稿，分阶段验证以保持全文连贯性，实验证明在文档解析任务中实现显著加速。

Comments ECCV 2026

StrucTab: A Structured Optimization Framework for Table Parsing

StrucTab: 一种用于表格解析的结构化优化框架

Gengluo Li, Shangpin Peng, Chengquan Zhang, Binghong Wu, Hao Feng, Weinong Wang, Pengyuan Lyu, Huawen Shen, Xingyu Wan, Zhuotao Tian, Han Hu, Can Ma, Yu Zhou

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

AI总结 提出StrucTab框架，通过中间结构监督和奖励分解优化表格解析，在多个基准上达到最优性能。

Making Multimodal LLMs Reliable Chart Data Extractors: A Benchmark and Training Framework

使多模态大语言模型成为可靠的图表数据提取器：一个基准和训练框架

Yuchen He, Peizhi Ying, Liqi Cheng, Kuilin Peng, Yuan Tian, Dazhen Deng, Yingcai Wu

机构 * Zhejiang University（浙江大学） ； Guangdong University of Technology（广东工业大学） 纠错

专题命中 文档图表理解 ：multimodal large language model(abstract)；分类 cs.AI

AI总结 针对多模态大语言模型在图表数据提取中数值精度不足的问题，提出渐进式学习训练框架，显著提升7B参数模型的准确率，达到最优性能。

Comments Accepted at CHI'26