TII（Technology Innovation Institute）团队推出 Falcon-OCR-Arabic，这是 Falcon OCR 系列的阿拉伯语专用版本。该模型基于拥有 2.7 亿参数的早期融合（early-fusion）架构，通过监督微调（SFT）和强化学习（RL）两阶段适配，显著提升了对阿拉伯语文档的处理能力。
在包含 17 款主流模型的基准测试中，Falcon-OCR-Arabic 表现强劲：
- 文本准确率排名第二：得分为 81.9%，仅次于 Gemini 3.5 Flash（84.3%），但超越了 Claude Opus 5.5、GPT Astra 及 Qwen 3.8 Max 等顶级通用大模型。
- 表格解析能力登顶：Table TEDS 分数高达 59.95%，位列所有参测模型第一，比第二名高出 8.65 分。
- 大幅领先专用模型：相比最强的专用 OCR 模型，其准确率领先超过 20 个百分点。
- 特定场景优势明显：在官方文件、行政表格、收据和发票四大高频数字化场景中排名第一，且在全部 15 个测试类别中均进入前四。
为何阿拉伯语 OCR 极具挑战？
阿拉伯语的识别难点远超字母本身，主要源于以下特征：
- 字形连笔变化：字母形状随其在词中的位置（独立、词首、词中、词尾）而改变。
- 点位决定字义：多个字母共享基底形状，仅靠点位区分（如 ب ت ث），遗漏或错位点位即导致识别错误。
- 可选元音符号（Tashkeel）：位于基线上下的元音符号易被遗漏或误加。
- 复杂布局与噪声：文档常混合从右到左的表格、阿拉伯语与拉丁文，以及不同体系的数字（123 与 ١٢٣），热敏收据和盖章进一步增加噪声。
- 逻辑阅读顺序：模型需按逻辑阅读顺序而非视觉出现顺序输出文本。
技术架构与适配策略
Falcon OCR 复用 Falcon Perception 的早期融合设计，单个密集 Transformer 在共享参数空间中同时处理图像块和文本令牌，无单独视觉编码器。通过 PyTorch FlexAttention 实现的混合注意力掩码，控制图像令牌双向互相关注，文本令牌则基于整图进行因果解码。
适配过程分为两步：
- 数据构建：混合真实文档（提供真实布局与噪声）与合成文档（覆盖罕见案例如密集元音、RTL表格），涵盖收据、发票、书籍等高频类别。
- 两阶段训练：首先进行监督微调（SFT），让模型学习阿拉伯语字形与生成规则；随后进行强化学习（RL），针对点位错位、元音虚构、行跳过等严重影响用户体验的错误进行惩罚，奖励忠实且结构完整的转录结果。
基准测试详细对比
测试基于 OmniDocBench 框架，包含 11,974 个真实世界样本，涵盖 15 个文档类别。评价指标包括文本准确率（含元音符号惩罚）和 Table TEDS（表格结构与内容匹配度）。
总体性能对比：
| 模型 | 文本准确率 | Table TEDS |
|---|---|---|
| Gemini 3.5 Flash | 84.34% | 51.30% |
| Falcon-OCR-Arabic (270M) | 81.87% | 59.95% |
| Claude Opus 5.5 | 79.22% | 43.98% |
| Claude Fable 5 | 79.01% | 31.24% |
| GPT Astra | 75.02% | 51.23% |
| Qwen 3.8 Max | 74.79% | 41.34% |
| Chandra OCR 2 (最佳专用) | 61.67% | 32.63% |
数据显示，参数量约为 Falcon 1,500 倍的 Qwen 3.5 397B 准确率反而低 14.5 分；最强专用 OCR 模型准确率仅为 61.67%。这证明针对阿拉伯语适配的紧凑型模型，在效果上优于更大的通用模型及传统专用 OCR。
适配带来的提升：相较于未适配的基础 Falcon OCR（文本准确率 55.39%，Table TEDS 24.83%），Falcon-OCR-Arabic 的文本准确率相对提升约 48%，表格质量翻倍以上。
分场景表现
优势领域：在结构化商业和行政文档中，Falcon-OCR-Arabic 全面击败 Gemini 3.5 Flash：
| 类别 | Falcon-OCR-Arabic | Gemini 3.5 Flash |
|---|---|---|
| 官方文件 | 83.8% | 82.9% |
| 行政表格 | 75.3% | 72.8% |
| 收据 | 70.5% | 68.6% |
| 发票 | 72.8% | 70.0% |
劣势领域：在视觉极度复杂的页面（如报纸、漫画、杂志）及手写文本识别上，Gemini 3.5 Flash 仍保持领先。例如在报纸类别中，Gemini 得分为 72.2%，Falcon 为 55.4%；在手写文本上，Falcon 落后 Gemini 约 6.6 分。
结论
Falcon-OCR-Arabic 证明了小规模专用模型在特定语言任务上的巨大潜力。尽管在极端复杂视觉场景下仍有局限，但其在主流办公、行政及商业文档数字化任务中已达到行业顶尖水平，且具备极高的部署效率。