夜雨聆风学习资料网

ARTICLE · 1387285

【NeurIPS 2026】文档解析提升只需要动数据

【NeurIPS 2026】文档解析提升只需要动数据

上海 AI 实验室做文档解析,没改架构,只把训练数据洗了一遍。

他们发现,不同架构、不同大小的 SOTA 模型,遇到同一批难样本会集体翻车。既然不同的脑子在同个地方摔跤,那说明路是坏的,不是腿的问题——瓶颈全在共享的训练数据上。

于是他们不动 1.2B 的架构,纯靠数据引擎硬抬。跨模型一致性挑出难样本,再让 Gemini 3 Pro 预标注加人工终审。训练集直接扩到 6550 万页,分三阶段渐进训练。

结果很夸张:OmniDocBench v1.6 总分冲到 95.69,超过 235B 的通用大模型。标准场景大家早卷不动了,真正拉开差距的是 Hard 子集——它领先第二名整整 2 分多。

他们还顺手修了评测基准的匹配偏差。修正后 Gemini 3 Pro 分数大幅上调,但专用小模型依然整体领先。

不过这法子也有软肋:金融、法律、医疗这些垂直领域没测过;难样本还得靠大模型和人工兜底,成本不低。

回首页,搜索你想要的文档

在首页搜索框输入关键词,快速定位资料

文库首页搜索指引 立即搜索

相关学习资料