低资源语言

DocAtlas：多语言文档理解框架覆盖82种语言

HuggingFace Daily Papers社区于2026年5月20日分享的论文介绍DocAtlas框架，旨在解决低资源语言文档理解训练数据稀缺和标注偏差问题。该框架覆盖82种语言和9项评估任务，采用差异化渲染和合成生成流程构建高保真OCR数据集。研究评估16个模型后发现低资源语言存在性能差距，并通过直接偏好优化（DPO）方法在域内和域外准确率上分别提升1.9%和1.8%，优于监督微调方法。