ICDAR 2026举办LLM辅助历史文档OCR纠错竞赛

背景

OCR（光学字符识别）后纠正长期以来是数字文化遗产领域的一大挑战：大规模数字化文档集受限于历史 OCR 系统遗留的错误，而重新大规模数字化成本高昂且不切实际。大型语言模型（LLM）的出现为解决这一难题提供了新的契机，但其在不同语言、文档类型和噪声条件下的实际效果，以及 LLM 本身容易产生幻觉的问题，仍缺乏系统性的理解。为此，ICDAR（国际文档分析与识别大会）于 2026 年举办了 HIPE-OCRepair 竞赛，专门评估 LLM 辅助的 OCR 后纠正技术在历史文档上的表现。

核心内容

HIPE-OCRepair-2026 是 ICDAR 框架下的一项竞赛，旨在达成两个目标：（1）评估现代 OCR 后纠正系统的能力；（2）提供一个可复现的评估框架，其核心是 HIPE-OCRepair-2026 数据集——一个统一的、多语言资源，整合了现有和新增的历史文档数据集。

参赛者的任务是对来自历史报纸和印刷品（17 至 20 世纪，涵盖英语、法语和德语）的含噪 OCR 转录文本进行纠正。纠正单位是连贯的转录单元（段落或文章），且参赛者无法访问原始图像。评估采用面向检索的打分方法，而非传统的抄本式打分，这反映了数字化文档集中搜索与访问的实际应用场景。

四支团队提交了系统，方法包括零样本提示、继续预训练、微调等不同适应策略。结果显示，现代 LLM 辅助系统能够显著提升 OCR 质量，但性能因数据集、语言和噪声水平而异。在对低噪声输入进行纠正时，过度纠正成为反复出现的难题，凸显了评估不能仅关注字符错误率的重要性。该竞赛公开了数据集、评分器和评估流水线，以支持未来研究。

关键要点

• 竞赛目标：评估 LLM 辅助 OCR 后纠正的有效性，并为历史文档提供标准化的可复现评估基准。
• 数据集：HIPE-OCRepair-2026 数据集是多语言（英、法、德）、跨时代（17–20 世纪）的统一资源，包含报纸和印刷品。
• 任务设定：参赛者只能在无图像的情况下，基于文本段落或文章进行纠正，模拟真实检索场景。
• 评估方法：采用检索导向的评分方法（而非逐字符抄本对比），强调对搜索和访问的支持。
• 参赛方案：四支队伍使用零样本提示、继续预训练、微调等不同策略，覆盖了从直接推理到领域适应的方法。
• 主要发现：
  • LLM 辅助系统能显著降低 OCR 错误，但效果因语言、文档类型和噪声程度波动。
  • 低噪声输入上的过度纠正（over-correction）是一个普遍问题，导致输出质量下降。
  • 单纯降低字符错误率不足以衡量系统性能，需要更全面的评估指标。
• 公开资源：数据集、评分工具和评估流程均开源，鼓励后续研究。

意义与影响

这项竞赛为历史文档 OCR 后纠正领域建立了首个系统性、多语言的 LLM 辅助评估基准。其意义在于：

1. 推动研究方法标准化：通过公开数据集和评估流水线，为不同方法提供公平比较的基础，促进可复现研究。
2. 揭示 LLM 的潜力与局限：证明 LLM 可以大幅改善 OCR 识别质量，但过度纠正问题提醒研究者需要更精细的噪声感知策略。
3. 贴合实际应用：检索导向的评估更符合数字图书馆、档案馆中用户的实际需求（搜索和访问），而非纯学术的逐字准确性。
4. 促进跨语言与跨时代研究：覆盖多种语言和历史时期，有助于检验 LLM 在低资源或迁移场景下的泛化能力。
5. 为未来工作指明方向：过度纠正现象的突出暴露了现有方法的缺陷，将驱动后续研究在避免幻觉、控制修复程度方面进行改进。该竞赛为数字文化遗产的自动化文本清洗提供了可信的起点。