PP-OCRv6 搬上中世纪手稿：免费午餐是真的，但菜单和你想的不一样

💡 一句话总结：kraken 的作者亲自把 PP-OCRv6（0.68M-15.86M）搬到历史手写文本识别上和经典 CRNN 掰手腕，结论有条件：从零训练别换，CRNN 更好；有异构大规模预训练语料，PP-OCRv6 small 是干净升级，微调后 medium 还能在主战场击败 9B 级 VLM。全文最值钱的其实是一条数据管线警告：置信度过滤会系统性地删掉「难但正确」的样本。

历史文献数字化的同学都有本难念的经：标注预算按「行」计算，一个项目一辈子也就攒出几万行；想上大 VLM 吧，人家先给你「编」两段没有视觉证据的转写——自回归模型的语言先验在中世纪手稿上是负资产，希腊文研究里连词序打乱它都能「过度纠正」出一篇通顺假文。

于是中间路线出现了：无循环、无强语言模型的紧凑识别器——去掉 CRNN 里拖累现代硬件的 LSTM，但也不引入会幻觉的生成式解码。PP-OCRv6（0.68M / 3.22M / 15.86M 三档）是这条路线的新代表，可它从没被系统地在历史书写上验证过。这份论文补上了这块拼图，作者还是 kraken（历史 ATR 领域的主流引擎）的亲爹 Benjamin Kiessling——自己写的新引擎和自己维护的老引擎打擂台，卖点十足。

想看原文？资源在这：

• 📄 论文 · arXiv 2609.20064
• 🧩 模型权重与语料清单 · Zenodo（DOI 10.5281/zenodo.21788403 / 21788405 / 21788410）

🎯 四种场景，先对号入座

论文把「要不要换」拆成四个实验场景，基本覆盖了所有历史数字化项目的处境：

• 通用预训练开箱即用：手头没有本地训练数据，谁能直接用？
• 领域从零训练：只有项目自有语料，能否替代 CRNN？——多数历史项目的默认路径；
• 语料级微调：在通用模型上微调，上限在哪？
• 单页少样本：单份手稿只给 20-240 行标注，谁学得快？

对照方有两类：4.64M 参数的 kraken 经典 CRNN（卷积 + 双向 LSTM + CTC），以及 9B 级大 VLM 的代表 Medusa（Qwen3.5-9B 行识别器）。

⚠️ 最值钱的发现：置信度过滤正在删你的正确数据

先说全文我最想让大家记住的一段，它跟历史文献都无关，跟所有用「裁判模型打分筛数据」的流水线有关。

PP-OCRv5 的官方数据策展流程是用一个裁判识别器给每行标注打置信度，只保留 0.95-0.97 区间的「优质」样本。这个窗口在现代印刷数据上只拒掉约 3% 的行——看起来人畜无害。但放到法/拉/西历史语料上呢？

• 拒行率飙到 17%——历史材料整体落在低置信区；
• 而泛化模型在被拒行上 CER ≤ 15% 的比例高达 52%——过半被判死刑的行，模型其实读得对；
• 论文图 1 给出六个实例：置信度只有 0.55-0.68，泛化模型却能逐字复现。

作者的诊断一针见血：单个置信度分数把「领域熟悉度」和「标注质量」混在了一起。低置信只说明这类材料少见、模型不熟，不代表标注错了。在异构数据上按置信度过滤，系统性地删掉稀有字形、罕见手迹——恰是你最需要模型学会的东西。所以这篇论文预训练时完全弃用置信度过滤。做现代 OCR / LLM 数据清洗的朋友，建议立刻检查一下你的过滤阈值在异构数据上的拒行率。

🛠️ 六项适配：最大头的一项只改了一个数字

针对历史文本的六项适配里，五项是常规操作（等比缩放、放宽解码长度、去蒸馏、换稳定优化器、弃置信度过滤），真正的主角是输入行高从 48px 提到 96px：

变体	48 px（原设定）	96 px
PP-OCRv6 tiny	24.05	12.57
PP-OCRv6 small	19.28	10.54
PP-OCRv6 medium	18.35	10.10

（CMMHWR task 1 macro CER，%）单这一项就白拿 8.3-11.5 个百分点，超过其余所有适配之和。理由很朴素：历史手稿细笔画、变音符、缩写符多，48px 喂进去物理上就看不清；而原设定的固定宽度还会把 CTC 解码步数压到 40 步，中等长度的历史行都走不完。

📈 成绩单：免费午餐的生效条件

四个场景的结果可以浓缩成一张决策表：

场景	谁赢	差距
通用预训练直接用	PP-OCRv6 small/medium	macro CER 9.80% / 7.15% vs CRNN 12.41%
从零训练（仅自有语料）	CRNN	法语集 4.32 vs small 5.39
语料级微调（≥25% 数据）	PP-OCRv6	25% 微调即超从零全量 CRNN
单页少样本（20 行起）	CRNN 爬坡快	但 40 行起 PP-OCRv6 绝对精度反超

最有信息量的是微调曲线：只用 25% 的语料微调，PP-OCRv6 全系就在七个测试集上全面超过「从零全量训练」的对应模型。预训练的杠杆作用在这里体现得淋漓尽致——前提还是那句话：你得先有那 620 万行、37 种语言的异构预训练语料。

大 VLM 对照也有看点：微调后的 medium（15.86M）在 CMMHWR task 1 与 CoMMA 上同时压过 Medusa（9B），而 Medusa 在 Occitan 和捷克语上更强——因为它训练材料里恰好有大量这两 种语言的语料。比的是主场，谁的数据主场谁赢。吞吐上 medium 比 Medusa 快约 45 倍，成本完全不是一个量级。

部署侧 small 变体最「免费」：参数比 CRNN 少 30%，GPU 中小 batch 下吞吐反超，精度全面领先。防幻觉也有架构保证——CTC 解码不具备生成「没看见的字符」的机制，这点在文化遗产机构的验收单上可能比 CER 更有说服力。

🧊 泼冷水：三个要打问号的地方

• 对照不公平且未被正面处理：PP-OCRv6 的优势建立在 620 万行预训练上，但实验里没有「CRNN + 同等规模预训练」这一格——Table 1 的漂亮数字分不清是架构的功劳还是语料的功劳。好在作者从零训练部分给了诚实答案：同条件下 CRNN 更好，谁是谁的功劳读者自己品。
• Medusa 的数字有口径争议：原论文自报 task 1-3 CER 为 8.03/5.24/10.8，作者用其官方管线重跑得到完全不同的数（捷克语 10.8 → 15.73），脚注坦承无法复现。「15M 击败 9B」的结论强度取决于你信哪套口径。
• 只测了行识别：行切分误差没算在内——而大 VLM 的真实卖点是绕过切分环节，所以这场对决只在「给定正确行图」的条件下成立。

🤔 那这篇能带走什么？

给不同读者的三句话建议：

• 历史文献 / 文档数字化团队：按上面那张决策表对号入座——最容易被标题党误导、也最省钱的一条是「从零训练别换，CRNN 更好」；
• 做数据清洗流水线的：把「置信度 = 领域熟悉度 × 标注质量」这个诊断刻进脑子，用人工核对抽查被拒样本，别默认低置信 = 标注错；
• 所有做 OCR 的：遇到精度瓶颈，先试把输入分辨率加倍——它可能比换架构便宜得多，这篇论文里一项改行高就值 11 个点。

标题里那个问号，作者的答案足够诚实：配方的一半在数据管线里，不在模型里。这句话放在 2026 年任何一个「要不要上大模型」的讨论里，都成立。