腾讯云 TI-OCR 训练平台与 OCR 大模型解决方案概要

一、产品定位与核心亮点

腾讯云 TI-OCR 训练平台 是一个一站式 OCR 开发平台，覆盖从数据导入、标注、生成、模型训练到应用测试发布的全流程。其核心是基于自研的 OCR 大模型解决方案，旨在解决传统 OCR 技术在复杂场景下的技术瓶颈。

核心差异化卖点：

• 端到端文档图像理解：采用自研的 DocLM、DocQA、MLLM 三大模型基座，直接从图像生成文字和结构化结果，替代了传统“检测->识别->结构化”的多阶段流程。
• 任务泛化能力强：单模型支持多种任务（如结构化、问答、摘要），通过 Prompt 区分任务类型，实现任务间能力互补。
• 突破传统难点：专门针对低质量图像、套打、印章、水印、弯曲文字、复杂表格结构等传统 OCR 难以处理的场景进行优化。

二、产品应用场景

目标受众：金融、保险、物流、工业质检、企业服务等需要大量文档、票据、图像信息自动化处理的企业与技术团队。

特定业务场景与痛点：

• 票据单据识别：银行汇票、保险单等场景中，存在手写体难识别、套打/印章/水印干扰等痛点。
• 表格识别：金融账户流水、申请登记表等复杂表格结构，存在栅栏线干扰、单元格文本换行等难题。
• 文档理解：合同、承诺函等长文档，需提取跨行跨页的关键字段，并理解段落间关联关系。
• 自然场景识别：商户门头照、工业铭牌、电线规格等场景，存在拍摄背景复杂、文字扭曲、背景干扰等问题。
• 审核流程自动化：在商户入驻等业务中，需降低机器审核转人工的比例，加速业务流程。

三、应用框架和功能介绍

功能框架

TI-OCR 平台提供完整的工作流支持：

• 数据管理：数据导入、标注（支持辅助标注）、生成（内置前处理、图片增强、布局增强）。
• 模型中心：内置模型（OCR、大模型）、模型训练、模型评测。
• 应用编排：应用发布、应用评测、自定义后处理。
• 管理中心：项目/成员管理、资源隔离、运行任务管理。

硬核指标

• 模型规模：DocLM 参数规模约 3B；DocQA/MLLM 参数规模约 10B。
• 图像分辨率支持：训练支持 1024x1024（单卡）至 1536x1536（双卡）。
• 序列长度：最大序列长度支持 1024（单卡）至 1536（双卡）。

产品优势

1. 效果卓越：
   • 常规KV结构化：大模型召回率相比旧版算法提升 3%+。（来源：实验室数据）
   • 自然场景结构化：大模型召回率预计达 95%+（人眼可识别部分）。（来源：实验室数据）
   • 长文类信息提取：大模型召回率预计达 90%+。（来源：实验室数据）
   • 套打场景信息提取：大模型召回率预计达 90%+。（来源：实验室数据）
2. 泛化能力强：
   • Zero-shot Learning：泛化字段召回率可达 93%+。（来源：实验室数据）
   • Few-shot Learning：泛化字段召回率可达 95%+。（来源：实验室数据）
3. 成本效益高：通过端到端技术和模型压缩，节省训练与推理成本。
4. 技术领先：
   • DocLM：采用文字感知的大容量视觉模型和视觉显著区域提取技术，优化文字纹理细节。
   • DocQA：支持基于检索的知识库问答，采用文档自监督预训练、指令微调、低参数量微调、布局特征引入等技术。
   • MLLM：基于 DocLM 的视觉编码，支持开放问答、摘要、理解、推理，采用组件式设计和 ICL 上下文学习。

荣誉背书

原文未提及具体的技术荣誉和奖项。

四、典型案例

案例一：腾讯联合实验室

• 背景：与腾讯共建联合实验室，孵化前沿能力，制定行业标准。
• 解决方案：利用客户 PB 级业务数据，经过数据清洗和通用数据构造，结合腾讯通用 OCR 预训练大模型和 GPU 大规模调度能力，进行多机多卡训练加速。
• 成效：大模型成功解决曲文、水印、检测识别难例问题，各业务场景综合指标达 98.6%+。

案例二：商户入驻审核场景

• 背景：在商户入驻场景下，需要对申请材料的照片进行自动化审核。
• 解决方案：引入 OCR 大模型识别各类资质证照，解决印章、水印等干扰，提取关键字段。
• 成效：有效降低机器转人工的比例达 80%，加速了商户自助办理业务的流程。

五、总结与模型家族概览

腾讯云 OCR 大模型家族由三大基座构成，构建了完备的 OCR 解决方案生态环境：

最低资源配置要求：

• 单卡训练：GPU 1卡（32GB 显存）、8核CPU、40GB内存、500G NVMe SSD。
• 双卡推荐：GPU 2卡（32GB*2 显存）、20核CPU、80GB内存、1TB NVMe SSD。
• 对应机型：腾讯云 GPU 计算型 GN10X / GN10Xp（暂不支持国产化 GPU）。