**一体化多语言场景文字识别：脚本感知混合专家模型 ScriptMoE**

_All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts_

> 针对多语言场景文字识别（STR）训练数据稀缺、单模型难以覆盖多文字系统的问题，研究者构建了涵盖 10 种文字系统、229 种语言的大规模合成数据集 TextMuSS-10M，并提出 ScriptMoE：共享单一视觉编码器，以稀疏 MoE 块替代稠密解码器，通过图像级路由将每张图分派给 top-2 脚本对齐专家，并用共享专家吸收跨脚本知识。在 TextMuSS-Bench（10 种文字系统、10,899 张图像）上准确率达 82.06%，超最强 STR 基线 1.31%；在 CC-OCR 端到端多语言任务中，仅替换 PP-OCRv5 的识别器即使 F1 从 65.71% 提升至 80.89%，略超最佳 VLM（80.73%），参数量却小得多。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.24058)