多模态大模型OCR幻觉缓解思路：DianJin-OCR-R1通过“再看一眼”图像减轻幻觉

前期介绍了通过GRPO的方式解决多模态大模型OCR幻觉的思路《GRPO强化学习缓解多模态大模型OCR任务的幻觉思路及数据生成思路》。

由于多模态大模型的OCR感知能力不是特别强，容易像LLM一样产生幻觉-即生成输入图像中并不存在的词汇。LVLMs 设计用于通用目的，在OCR 任务上的表现往往不如在特定领域数据集上训练的专家模型。

下面来看一个方案，首先通过利用自身的 OCR 能力识别输入图像中的内容，然后调用
其他工具（即其他专家模型）获取其结果作为参考，最后“再看一眼”图像并重新思考推理过程，以提供最终的识别结果，从而减轻 LVLMs 幻觉问题。

方法

给定一张图像和一个文本问题，DianJin-OCR-R1 首先利用自身的 OCR 能力识别输入图像中的相关内容。随后，它调用其他专家模型或工具，并将其结果作为参考或补充信息。接着，模型“再次审视”图像，综合分析自身结果及其他模型的结果，反思在识别过程中是否出现错误或遗漏。最后，模型提供最终的识别内容。

数据构建

在印章、表格、公式三类OCR任务上生成推理数据，格式：

• 印章识别：文本
• 表格识别：HTML代码（需包含单元格合并标记colspan/rowspan，确保结构与图像完全一致）；
• 公式识别：LaTeX代码。

三个任务的prompt：

数据构建的核心是生成包含“推理过程”和“正确结果”的结构化样本，选用Qwen-VL-Max作为“推理链生成器”。

推理链（$r_i$）的结构：模型自身识别的内容用 < think>< /think> 标签包围，多个工具响应用 < tool>< /tool> 标签包围，反思内容用 < rethink>< /rethink> 标签包围。生成的输出用 < answer>< /answer> 标签包围。

数据集来源

1. 印章识别

   ReST数据集（ICDAR 2023印章标题识别竞赛数据集），含5000张训练图、5000张测试图（因测试集无标注，仅用训练集）；

   参考工具：PP-StructureV3（专家OCR模型，低幻觉）、Qwen-VL-OCR（专家VLM，适配印章文本识别）。

2. 表格识别

   表格需同时覆盖“语言多样性”（中/英文）和“结构复杂性”（合并单元格、多层表头）；

   • 内部数据集（补充未公开的复杂表格场景，如合并单元格、跨页表格）；

   • TabRecSet（公开双语表格数据集，含38.1k表格，20.4k英文+17.7k中文）；

   • 参考工具：PP-StructureV3（表格结构解析，如colspan/rowspan识别）、MonkeyOCR-3B（LVLM，优化表格内容提取，适配双语场景）。

3. 公式识别

   数据集：UniMER-1M

   参考工具：PP-StructureV3（PP-FormulaNet模块，优化公式结构解析）、MonkeyOCR-3B（擅长公式字符识别，减少符号错误）。

经过处理，构建了三类任务的推理数据集，统一表示为：

$$R_{sr}/R_{tr}/R_{fr}=(i_i,q_i,r_i,o_i)$$

其中$R_{sr}$（印章推理数据集）、$R_{tr}$（表格推理数据集）、$R_{fr}$（公式推理数据集）的规模均为1024条样本（样本量均衡，避免某类任务过拟合）；

模型训练及奖励概述

• Qwen2.5-VL-7B-Instruct 作为训练底座，
• SFT掌握推理流程
• RFT优化精度与格式：
  • 格式奖励：推理链需严格包含< recognition>、< tool>、< rethink>、`` 标签，且无额外内容 → 奖励 1.0；否则 → 奖励 0.0
  • 准确率奖励：（1）印章：完全匹配→1.0，否则 0.0；（2）表格：奖励 = TEDS（结构 + 内容相似度）；（3）公式：奖励 = CDM（字符匹配度），CDM=1.0 时额外加 0.5（鼓励完美结果）。

实验效果

参考文献：DianJin-OCR-R1: Enhancing OCR Capabilities via a
Reasoning-and-Tool Interleaved Vision-Language Model，https://www.arxiv.org/pdf/2508.13238
repo:https://github.com/aliyun/qwen-dianjin