Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
LLM можно заставить реже портить уже правильно распознанный исторический текст, не переобучая саму модель. В препринте University of Nevada, Las Vegas, который не прошёл рецензирование и приводит числа, полученные самим автором, фильтр EditVeto улучшил все пять проверенных моделей-переписчиков, включая две не участвовавшие в его обучении. Такой слой можно поставить после модели, в том числе доступной только через API, но для уже точных систем он способен ухудшить результат.
EditVeto выбирает между исходным текстом и готовой правкой
Обычная схема постобработки просит LLM переписать весь фрагмент после оптического распознавания. Модель видит контекст и исправляет опечатки, разрывы слов и искажённые символы, но заодно может изменить правильное написание, осовременить историческую форму слова или удалить часть текста.
EditVeto не вмешивается в генерацию. Сначала модель-переписчик выдаёт полностью исправленную версию. Система выравнивает её с исходным OCR-текстом по символам и объединяет соседние различия в блоки: замену слова, вставку знака или удаление фрагмента.
После этого отдельная модель оценивает каждый блок. Если правка выглядит полезной, она остаётся. Если фильтр накладывает запрет, система возвращает соответствующий фрагмент из OCR-текста. Итог всегда собирается из двух уже существующих вариантов: фильтр ничего не дописывает самостоятельно.
В основе фильтра лежит Qwen3-0.6B. Полная версия учитывает текст вокруг правки, предложенную замену и уверенность модели-переписчика в сгенерированных токенах. Текстовая версия получает только исходник и результат, поэтому подходит для закрытых моделей и сторонних API, которые не отдают внутренние оценки вероятности.
Обучающие метки строили по эталонной расшифровке. Для каждого блока проверяли, уменьшает ли одна эта правка долю символьных ошибок, увеличивает её или не влияет на оценку. Порог принятия выбрали на обучающей части, после чего зафиксировали и не настраивали под отдельные языки и модели.
Главный эксперимент охватывает восемь тестовых наборов HIPE-OCRepair-2026 и 590 оцениваемых фрагментов на английском, французском и немецком. Это исторические книги и газеты без изображений страниц: система работает только с распознанным текстом и метаданными.
Полный контекст исправляет лучше, чем точное указание места ошибки
Проверка с доступом к эталону дала неожиданный результат. Даже когда модели заранее указывали точные места ошибок и просили сгенерировать только замены для них, итог оказался хуже, чем полный отказ от исправлений. Знания о расположении дефекта недостаточно: модели нужен окружающий текст, чтобы восстановить правильную форму.
Полная перезапись работала лучше, однако создавала побочные изменения рядом с полезными исправлениями. Поэтому EditVeto решает более узкую задачу: не ищет ошибки до генерации, а проверяет уже предложенные изменения. Такая последовательность сохраняет контекст для модели-переписчика и одновременно ограничивает последствия слишком свободной редакторской правки.
На первой зафиксированной проверке фильтр снизил взвешенный cMER на 0,0026–0,0044. Эта метрика показывает долю заменённых, удалённых и вставленных символов после выравнивания с эталоном; меньшее значение означает более точную расшифровку. Одновременно выросла оценка предпочтения, которая учитывает, на скольких фрагментах система помогла, а не навредила; разница статистически значима.
Перенос между моделями сработал не всегда. На опубликованных результатах участников соревнования фильтр помог большинству команд, но испортил лучший результат: cMER вырос с 0,0050 до 0,0065. Общий порог хорошо подходит переписчикам средней точности, но начинает отклонять полезные изменения, когда исходная система уже ошибается редко.
При повторной работе с тестовым набором фильтр также помог дообученным моделям, хотя слабее, чем моделям без специальной адаптации. Лучший объединённый вариант сравнялся со вторым результатом соревнования, но основную прибавку дали дообучение и объединение правок нескольких моделей, а не сам EditVeto.
Фильтр стоит добавить в испытания, но не вместо адаптации модели
Работа меняет план внедрения для команд, которые исправляют OCR через универсальную LLM или внешний API. Между генерацией и сохранением результата появляется независимый защитный слой: ему достаточно исходного текста и готовой правки. Можно заменить модель-переписчик, не перестраивая весь конвейер, а затем проверить тот же фильтр на новых выходах.
Закладывать EditVeto как обязательную ступень пока рано. Порог нужно подбирать на собственных документах и отдельно сравнивать результат с простым полным переписыванием. Чем точнее основная модель, тем выше риск, что фильтр отменит правильную редкую правку; эксперимент с победителем соревнования показывает эту границу напрямую.
Фильтр также не заменяет отраслевое дообучение. Он может удалить неудачное изменение, но не восстановит символ или слово, которые модель-переписчик вообще не предложила. Если проект располагает корпусом исторических текстов и вычислительными ресурсами, адаптация основной модели остаётся главным способом повысить полноту исправлений.
Проверка относится к текстовому OCR исторических документов и к правилам HIPE-OCRepair-2026. Официальная нормализация не учитывает регистр и пунктуацию, поэтому её результат не равен точности буквального архивного воспроизведения. Для издательских и архивных систем фильтр придётся оценивать также по сохранению орфографии, разметки и знаков исходного документа.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
