TexOCR：推进可编译页面到 LaTeX 重建的文档 OCR 模型

现有文档 OCR 主要针对纯文本或 Markdown，放弃了使 LaTeX 对于科学出版至关重要的结构和可执行属性。我们研究将科学 PDF 的页面级重建为可编译的 LaTeX，并为此任务引入基准测试 TexOCR-Bench 和大规模训练语料库 TexOCR-Train。 TexOCR-Bench 具有多维评估套件，可联合评估转录保真度、结构 忠实性 和端到端可编译性。利用 TexOCR-Train，我们使用受监督的 微调 (SFT) 和强化学习 (RL) 来训练 2B 参数模型 TexOCR，并从 LaTeX 单元测试中获得可验证的奖励，直接强制执行可编译性和引用完整性。 TexOCR-Bench 上 21 个前沿模型的实验表明，现有系统经常违反关键文档不变量，包括一致的部分结构、正确的浮动位置和有效的标签引用链接，这会破坏编译可靠性和下游可用性。我们的分析进一步表明，具有可验证奖励的 RL 比单独的 SFT 产生了持续的改进，特别是在结构和编译指标方面。