高棉语文档VQA实测：Qwen3-VL-8B准确率仅51.9%，外部OCR加持飙到61.9%！
Do MLLMs Really Understand Low-Resource Khmer Documents? A Pilot Study on Khmer Document VQA
📖 AI 总结
该研究针对多模态大语言模型（MLLMs）在高棉语文档理解任务中的表现进行了试点诊断评估。高棉语表单文档因包含复杂文字形态、高棉语-英语混合字段以及柬埔寨瑞尔和美元双币种数值，对现有模型构成显著挑战。研究者从KH-FUNSD数据集中构建了包含发票、收据、报价单等商业表单的评估子集，设计了英语和高棉语问题，并保留答案的原始语言形式。实验评估了Qwen-VL系列模型，结果显示直接使用Qwen3-VL-8B的准确率为51.9%，优于较小模型；而外部OCR辅助配置表现最佳，Tesseract和PaddleOCR分别达到61.9%和61.6%的准确率。然而，高棉语文字答案的识别准确率仍显著低于英语和数值字段。研究表明，当前MLLMs能较好处理视觉清晰的英语和结构化数值内容，但可靠的本地高棉语文档理解仍是未解决的挑战。
🔑 关键词速览
| MLLMs (Multimodal Large Language Models) | 多模态大语言模型，能够同时处理文本和图像等多种模态信息。 |
| Document VQA | 文档视觉问答，指根据文档图像内容回答问题的任务。 |
| KH-FUNSD | 高棉语表单理解数据集，用于文档结构分析和信息提取的基准。 |
| OCR (Optical Character Recognition) | 光学字符识别，将图像中的文字转换为可编辑文本的技术。 |
| Qwen-VL | 阿里巴巴开发的多模态大语言模型系列，支持视觉和语言理解。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅