Falcon OCR Arabic：小模型读懂文档，还要过字段与版式两道关

事实与来源

TII于2026年10月6日介绍Falcon-OCR-Arabic：沿用2.7亿参数的Falcon OCR架构，通过阿拉伯语真实与合成文档做监督微调，再用强化学习改善转录。它展示了一个值得关注的方向：针对文字体系和文档类型准备数据，小模型也能形成有竞争力的专门能力。

发布方在自建的11,974份真实样本、15类文档上报告文本分数81.87%，表格TEDS为59.95%。这些是作者评测，不能推广成所有语言和业务的排名。本文根据发布原文、基础模型卡及评测框架说明分析，未运行模型或复现实验。

技术机制

基础Falcon OCR采用早期融合：图像切块与文字token从第一层就在同一个Transformer中处理。混合注意力让图像token双向查看图像信息，文字则结合图像按顺序生成。输出任务通过提示选择，可以得到普通文字、公式LaTeX或表格HTML，不必为每种输出再接一套独立模型。

基础模型卡还说明了按元素评价的训练信号：文字看编辑距离，公式兼顾格式与内容，表格看结构相似度，并对漏块、重复和过量生成设置约束。这解释了为何OCR不能只优化“看起来通顺”：漏掉一行或反复生成同一行，即使局部词句正确，也会破坏整份文档。

例子与用途

假设要把阿拉伯语发票导入一个可检索资料库，验收可以分三层：文字是否忠实于图片，表格行列是否对应，最终金额与编号是否落入正确字段。OCR先提供候选转录，字段解析再保存原页位置，便于回到图片复查。这是本文构造的流程，并非已部署案例。

例如某一行的品名识别正确，金额却被放到下一行，仅搜索关键词可能发现不了错误。对金额、日期和编号应另设精确匹配检查；不清晰区域保留待核对状态，避免用语言模型根据上下文“补全”。用于搜索时可以容忍的字符差错，未必适合自动入账，两种用途需要不同验收门槛。

限制与不确定性

发布页的文本分数来自逐页归一化编辑距离，不表示81.87%的文档完全正确。TEDS同时考察表格结构与内容，也不能读成业务字段正确率。作者承认密集报纸、杂志和漫画仍较困难，因此选型应按文档类别看结果，而非只取总体数字。

开放基础模型与阿拉伯语适配版也应区分。本文核对到的基础仓库采用Apache 2.0，阿拉伯语发布页则提供在线演示；不能据此前者的许可证与下载入口，承诺后者已有同样的可部署权重。本文没有向演示上传任何文件，也未验证其服务条件或生产可用性。

开发者启示

OmniDocBench把文本、表格、公式、版面与阅读顺序分别纳入评估，并提供模块与端到端两种检查方式。对实际项目，这意味着不仅要测识别器，还要把切页、区域检测、裁剪、格式转换和字段解析放回完整链路，观察错误在哪里累积。

建议先用有权使用的文档建立独立测试集，按清晰度、版式与文字混排分组，保存人工转录和关键字段。固定模型、输入分辨率及评测版本，分别记录漏行、重复、行列错配和字段精确率；基础模型的性能不能代替适配版验证。以上属于工程建议。这个案例最有参考价值的地方，是让训练目标和验收指标贴近真实文档错误，而不是仅凭参数规模或榜单分数决定上线。