2026年，一个叫Kunat Pipatanakul的研究者面对一个很尴尬的局面：泰语文档遍地都是，但能用来训练AI识别泰文的标注数据少得可怜。
这不是小事。
泰文有自己独特的字母系统，声调符号和元音符号能叠在辅音上下好几层，这意味着你没法像训练英文或中文OCR那样，直接把已有的模型拿过来微调一下就能用。
想让机器读懂泰文文档，你得从头教它认识每一个字符，而教材，也就是那些"图片配对应文字"的标注数据，却严重短缺。
更麻烦的是，现有的解决办法都不太靠谱。用PDF直接提取文字，经常会漏掉字符，还会把声调符号的顺序搞乱。用OCR做伪标签，同样容易出错。人工校对倒是准确,但成本高得离谱,不可能覆盖海量文档。
这篇论文要回答的问题很直接：如果没有真实的标注数据，只靠"合成"出来的假数据训练模型，泰文OCR能做到多好？
这个问题看似简单，但里面藏着一个更深的坑：什么样的"假"，才能让AI学到"真"本事？
**为什么"逼真"这个词本身就是个陷阱**
在深入之前，得先说清楚一件容易被忽略的事。
合成数据*：用程序自动生成的、带有精确标注的训练数据，比如让电脑自己"画"出一页文档并同时记录每个字符是什么、在哪个位置。
很多人以为，合成数据要做得"逼真"就行了，看起来越像真实文档，效果就应该越好。
但这篇论文戳破了这个想当然的假设。"逼真"其实是好几个完全不同的因素捆在一起的模糊说法：文档来自什么领域、页面上除了文字还有什么背景元素、用的什么字体、文字在页面上怎么排布、手写字迹是真人写的还是电脑仿造的。
这些因素混在一起讨论"逼真不逼真"，就像医生说"你这个人不太健康"却不说清楚是心脏问题还是血糖问题，听起来是个判断,但完全没法指导治疗。
研究团队决定把这些因素一个个拆开，单独测试每一个到底有没有用。
这才是这篇论文真正有价值的地方，不是简单地说"合成数据有效"，而是精确地告诉你，合成数据里哪个部分在起作用，哪个部分其实是摆设。
拆解合成数据：一套可以精确控制变量的"文档重建"流水线
研究团队设计了一套叫做文档重建的方法。
思路是这样的：拿一份真实存在的文档，可能是泰文的，也可能是英文的，保留它原本的页面布局、文字区域的位置，然后把区域里的原始文字擦掉，重新填入你想要的文字内容，再用你指定的字体或手写笔迹渲染出来。
这套流程的关键在于，它能把"文档从哪个领域来"、"背景里有没有非文字内容"、"用了几种字体"、"文字是否保留二维排布"、"手写笔迹是电脑仿的还是真人写的"这五个变量，一个一个单独打开或关闭，其他条件全部保持不变。
这就像做菜实验时控制变量。你想知道到底是盐放多了还是火候不对导致这道菜难吃，唯一办法就是每次只改一个变量，其他全部锁死，做出十份菜来对比。如果你同时改了盐量、火候、下锅顺序，最后菜难吃了，你根本不知道该怪谁。
如果不做这种拆解，直接把一整套"看起来很真实"的合成数据扔给模型训练，效果好也好不到点子上，效果差也不知道该往哪改。
文档重建*：一种数据生成技术，保留原始文档的版式结构和文字区域标注，把区域内的文字替换为新内容并重新渲染，从而在保持真实版式的同时获得精确的文字标注。
图1里详细画出了这套流程。简单说分三步：第一步，如果源文档是泰文的，直接用它原本的OCR标签；如果是英文的，就翻译成泰文。第二步，把原来的文字像素擦掉，用HarfBuzz这个文字排版引擎把新的泰文文本按照原区域的形状"塑形"，因为泰文翻译后长度经常和英文原文对不上，声调符号还可能占据多个垂直层级，所以要不断缩小字号直到能塞进原来的框里，塞不下就直接放弃这一页。第三步，把处理好的文字渲染回原来的区域，可以用采样出来的字体，也可以用真实手写笔迹的字形。
HarfBuzz*：一个开源的文字整形引擎，能把文字按照特定语言的排版规则（比如泰文声调符号的垂直堆叠）正确渲染出来。
这套流水线生成了两种数据源：一种叫域内合成，直接用真实泰文文档做底子，只是把文字擦了重写；另一种叫域外合成，用公开的英文文档（比如DocLayNet、Crello、PubTabNet这几个数据集）做底子，把文字翻译成泰文后重新渲染。
训练粒度决定了什么数据管用：页级和裁剪级的分野
在讲实验结果之前，得先弄清楚这篇论文里反复出现的一个关键区分：页级训练和裁剪级训练。
页级训练*：模型一次看整张文档图片，输出整页所有区域的文字和排版信息。
裁剪级训练*：模型只看一个被裁剪出来的小区域（比如一段文字、一个表格），单独识别这个区域的内容，页面的其他区域由一个专门的版面检测器先框出来再逐一喂给模型。
这个区别听起来只是技术实现上的差异，但实验结果显示它彻底改变了"哪种合成数据更好用"这个问题的答案。
以Heldout测试集（301页真实泰文印刷文档）为例，在页级训练下，用域内合成数据训练出来的模型，字符错误率的中位数是1.82%,而用域外合成数据训练出来的模型是5.07%,域内数据明显更好。
但换成裁剪级训练，情况完全反转：域内合成数据的字符错误率中位数飙升到15.59%,而域外合成数据反而只有5.52%。
字符错误率*：衡量OCR识别准确度的指标，指模型输出的文字和真实文字之间需要修改多少个字符才能对齐，数值越低说明识别越准。
这个反转很反直觉。按理说,用真实泰文文档做底子生成的"域内"数据,应该处处比用英文文档翻译来的"域外"数据更贴近真实场景才对，怎么会在裁剪级训练下反而变差？
论文里坦诚承认，这个现象的具体原因还不清楚，需要进一步研究。但这恰恰说明了一件事：合成数据的效果不是一个孤立的属性，它和你打算怎么用这批数据是绑在一起的。同一份数据,换个训练方式,结论可能完全不一样。
这就好比同一把螺丝刀，用来拧螺丝很好用，但你要是拿它去撬东西，可能比一根铁棍还差。工具好不好，从来不是脱离使用场景孤立评价的。如果你不问清楚"用在哪个场景"就直接下结论，很可能得出错误的最优选择。
背景噪声不重要，字体多样性和二维排布才是真功夫
回到最基础的那个拆解实验，研究团队想搞清楚，在域外合成数据里，去掉背景、去掉字体多样性、去掉二维排布，分别会造成多大的伤害。
结果显示，去掉非文字的背景内容（比如把整个页面背景换成纯白色，只保留文字区域），对识别效果几乎没有一致性的影响，中位数误差变化最多只有1.62个百分点，有时候甚至变得更好。
这个结果有点出乎意料。直觉上你可能会觉得，背景越丰富，模型见识的场景越多，应该越有帮助。但数据摆在那，背景噪声这个因素基本是个摆设。
真正造成明显伤害的是去掉字体多样性。在页级训练下，Handwriting测试集（200页真实手写泰文笔记本照片）的中位数误差从43.99%飙升到49.86%，Easy Handwriting（更易读的手写子集）从38.90%涨到47.55%。裁剪级训练下伤害更大，分别涨了11到13个百分点。
而在印刷体的Heldout测试集上，去掉字体多样性造成的伤害就小得多，只有0.56到2.15个百分点。
这说明什么？字体多样性这个因素，对手写体识别的帮助远大于对印刷体识别的帮助。原因也不难理解，印刷字体本身变化空间有限，模型见过几种主流字体基本就够用了，但手写体的风格千变万化，如果训练数据里只有一种或几种"仿手写字体"，模型学到的其实是某个特定字体的样子，遇到真实的、五花八门的手写风格就懵了。
接着去掉二维排布，把原本按页面结构分布的文字区域改成竖着一行行堆叠，手写体的误差又进一步恶化。在裁剪级训练下，Heldout的中位数误差从7.01%跳到9.60%，页级训练下倒是几乎没变。
排布结构和字体多样性，像是两把不同的钥匙，各自对应着模型能不能应付真实世界里复杂多变的文档。背景噪声更像是装饰品，有没有都不太影响事情的本质。
合成数据能有多接近真实标注？答案取决于你问的是"典型情况"还是"极端情况"
接下来一个关键问题是，把合成数据和真实标注数据直接放在一起对比，差距到底有多大。
研究团队用页级训练比较了三种数据源在Heldout测试集上的表现：域外合成数据、域内合成数据，以及直接用真实泰文印刷文档训练的模型。
结果是这样的：真实印刷文档训练出来的模型，中位数误差是1.31%，域内合成数据是1.82%，两者只差0.51个百分点。这说明就"典型的一页文档"而言，合成数据几乎能追上真实数据的水平。
但如果换成看平均误差（把所有字符的错误加总除以总字符数，会被长文档和难例拉大权重），真实数据是9.79%，域内合成数据是16.20%，差距一下子拉大了。
这个反差揭示了一个很重要的道理：合成数据擅长应付大多数"正常"页面，但在遇到极端困难的、罕见的情况时，会显得力不从心。真实数据里那些"疑难杂症"，恰恰是合成流水线难以凭空造出来的。
这就好比你训练一个新司机，让他在模拟器里开了几百小时，日常路况处理得游刃有余，中位数表现很好。但真正的马路上偶尔会出现罕见的极端情况，比如突然窜出来的行人、结冰路面上的失控车辆，这些场景模拟器很难完全覆盖。平均下来，模拟器训练出来的司机在这些极端场景里的表现，还是会比真实路况训练出来的司机差一截。
手写体测试的结果更有意思。域内合成数据和真实印刷数据在Handwriting测试集上的表现几乎一样，36.27%对36.14%，说明用真实泰文印刷页面做底子重建出的合成数据，已经能捕捉到大部分从"真实印刷监督"迁移到手写识别的能力。
但只要一加入真实的手写训练数据（Real Thai Print + Handwriting），误差直接降到26.05%，Easy Handwriting更是降到20.79%。这说明真实手写笔迹里，有一种合成印刷体数据无论如何都补不上的"变化性"，这个缺口不是靠"文档领域匹配"就能填平的，它指向了手写本身的笔画差异。
手写渲染的最后一公里：字体仿造 vs 真实笔画拼接
既然发现了手写体是最大的短板，研究团队接着做了一个更细致的实验：到底是"用手写风格的字体渲染"就够了，还是必须"用真人写的笔画拼接"才能进一步缩小差距。
这里出现了两种渲染方式。一种叫手写字体渲染，从693种字体家族里挑出带手写风格的字体来渲染文字，相同字符用同一套字体会共享同一个笔画轮廓。另一种叫真实字形渲染，直接从一个真人手写笔迹库里，为每个字符随机抽取一个真实写出来的笔画实例，同一个字符在不同位置可能用不同人写的不同笔迹。
真人手写笔迹库*：论文中提到的一个包含5953个实例、覆盖76个字符类别的图像库，这些图像是从真实的泰文手写笔记本照片和公开手写数据集中，通过目标检测、OCR对齐、视觉语言模型验证等多道工序筛选提炼出来的。
结果显示，仅仅换成手写风格字体，就已经能明显改善手写识别，Handwriting测试集的中位数误差从43.99%降到38.65%。但如果进一步换成真实笔画拼接，误差继续降到37.91%，Easy Handwriting更是从34.84%降到30.66%。
这个差异证明了一件事：手写风格的字体只是"看起来像手写"，但同一个字符每次出现都长得一模一样，这和真实世界里同一个人写同一个字、每次笔画都有细微差别，是完全不同的两回事。真实笔画拼接把这种"人写字的不确定性"带了进来，模型因此学到了更接近真实场景的变化模式。
但即便用了真实笔画拼接，距离真正用真实手写数据训练的模型（26.05%）还是有一段差距。论文里提到，这个真人笔迹库目前只有5953个实例，数量还不算大，如果扩充这个库的规模，效果可能还能进一步提升，但这个问题留给了未来的研究。
把发现落地：Wayu-Paxa-OCR-Zero，一个完全没见过真实泰文标注的模型
有了这些拆解出来的经验，研究团队把它们整合起来，训练出一个真正拿得出手的模型，叫Wayu-Paxa-OCR-Zero。
这个模型的基础是PaddleOCR-VL-1.6，一个0.9B参数（约9亿参数）的视觉语言模型，研究团队在它之上，用45723页完全合成的数据做了训练。
这里有个细节值得强调：训练数据里没有一张真实泰文文档的图片被当作源页面，所有的字符标注都来自合成流水线的输出、源区域标注，或者已知的模板和字段字符串。也就是说，这个模型是彻头彻尾靠合成数据"无中生有"训练出来的。
具体数据构成上，研究团队做了三点扩展。第一，把之前研究中7131张手写页面的两种渲染版本（手写字体版和真实字形版）都保留下来一起训练。第二，额外加入两批专门针对手写的合成页面，一批是3000张全用手写字形渲染的DocLayNet页面，另一批是999张直接把真人手写数据集里裁剪出来的图片贴进去的合成页面。第三，加入2190份从公开的CommonForms模板重建出来的填写表格，表格里的字段数量特意匹配了真实泰文表格的常见规格，用来补上表格类文档这一块的覆盖。
训练完成后，效果对比非常直观。相较于基础模型PaddleOCR-VL-1.6，Wayu-Paxa-OCR-Zero把Heldout测试集的中位数字符错误率从6.64%降到1.24%，Handwriting测试集从74.87%降到20.55%，Easy Handwriting从73.74%降到14.18%。
更值得说的是，这个只有0.9B参数、完全靠合成数据训练的模型，在全部五个评测集上都超过了Typhoon OCR的7B版本，也就是那个当时被认为代表泰文OCR开源领域最高水平的模型。
Typhoon OCR是什么？它是此前泰文OCR开源领域的标杆模型，由传统OCR、视觉语言模型重构和精心策划的合成数据混合训练而成，训练管线更复杂，模型规模也更大（7B参数是Wayu-Paxa-OCR-Zero的近8倍）。
不过公平地说，Wayu-Paxa-OCR-Zero和更小的Typhoon OCR 1.5（2B参数）版本相比，在Handwriting测试集上打了个平手（20.55%对19.36%），在SEA-DocBench（一个东南亚文档理解基准）上反而更好（4.86%对5.81%），但在Heldout、Easy Handwriting和ThaiOCRBench上还是略逊一筹。而谷歌的Gemini 3.7 Flash这类大型商业闭源模型，在大部分内部测试集上依然是最强的。
这个对比说明，合成数据训练出来的模型已经具备了相当的竞争力，能在参数量远小于对手的情况下打赢一场硬仗，但这不代表合成数据本身天生就比真实数据更优越。它只是证明了，如果没有真实标注可用，合成数据这条路是走得通的，而且能走得相当远。
写在后面
读完这篇论文，最让我意外的不是那个"Wayu-Paxa-OCR-Zero打赢了7B模型"的结果，而是那个裁剪级训练下域内合成数据反而变差的反转。
论文作者自己都没能解释清楚原因，只是老老实实写下"这个现象的原因尚不清楚，值得进一步研究"。这种坦诚其实挺难得的，很多论文遇到解释不了的结果，要么绕开不提，要么硬凑一个听起来合理的解释。这篇论文选择把疑惑摆出来，反而让人更相信这些数据是真的。
还有一个细节，字体多样性对手写识别的影响，比对印刷体识别的影响大得多，这个发现背后其实藏着一个更普遍的道理：当你的目标场景本身就充满变化（比如手写体因人而异），你的训练数据就必须提供同等量级的变化，否则模型学到的只是某种"假象的多样性"。这个逻辑其实可以推广到很多其他领域，不只是OCR。
论文里那个真人手写笔迹库的构建过程也值得单独说一句，从570万个候选字形候选框，一路筛选、比对、验证，最后只留下12090个被视觉语言模型确认过的实例，再精选出5953个组成最终的库。这个漏斗式的筛选比例，某种程度上说明了"真实"这个东西有多难获取，哪怕只是想要几千个干净的手写字形样本，背后也要经过这么多道工序的过滤。
这篇论文没有解决的问题也很明显，那个真人笔迹库的规模还太小，只覆盖了76个字符类别，如果泰文里有更生僻的字符组合没被覆盖到，模型遇到时大概率还是会露怯。合成数据能走多远，这篇论文给出了一个相当乐观的答案，但显然，故事还没讲完。
Q&A
Q1：Wayu-Paxa-OCR-Zero是什么？
A：它是一个泰文OCR模型，基于0.9B参数的PaddleOCR-VL-1.6微调而来，完全用45723页合成数据训练，没有使用任何真实泰文文档的标注，在多个评测集上超过了参数量更大的Typhoon OCR 7B模型。
Q2：合成数据里哪些因素对泰文OCR识别效果影响最大？
A：字体多样性、二维排布结构和真实手写笔画变化影响最大，而页面背景等非文字内容的影响很小，几乎可以忽略。
Q3：为什么域内合成数据在页级训练和裁剪级训练下表现差异这么大？
A：域内合成数据在页级训练下表现最好，中位数误差仅1.82%，但在裁剪级训练下却变差到15.59%，反而不如域外合成数据。论文作者也坦言这个反转现象的具体原因尚不明确，有待进一步研究。
