AtlasOCR：使用视觉语言模型构建第一个开源 Darija OCR 模型

Darija 是摩洛哥阿拉伯语方言，视觉内容丰富，但缺乏专门的光学字符识别 (OCR) 工具。本文介绍了 AtlasOCR，这是第一个由 微调 3B 参数视觉语言模型 (VLM) 构建的开源 Darija OCR 模型。我们详细介绍了我们的综合方法，从利用我们的 OCRSmith 库的合成生成和精心采购的真实世界数据来策划独特的 Darija 特定数据集，到实施高效的 微调 策略。我们利用 QLoRA 和 Unsloth 对 Qwen2.5-VL 3B 进行参数高效训练，并提出优化关键超参数的综合消融研究。我们对新策划的 AtlasOCRBench 和已建立的 KITAB-Bench 的评估展示了最先进的性能，挑战了更大的模型，并强调了 AtlasOCR 对于 Darija 和标准阿拉伯 OCR 任务的稳健性和泛化能力。