我們都知道，大語(yǔ)言模型（LLM）能夠以一種無(wú)需模型微調(diào)的方式從少量示例中學(xué)習(xí)，這種方式被稱為「上下文學(xué)習(xí)」（In-context Learning）。這種上下文學(xué)習(xí)現(xiàn)象目前只能在大模型上觀察到。比如 GPT-4、Llama 等大模型在非常多的領(lǐng)域中都表現(xiàn)出了杰出的性能，但還是有很多場(chǎng)景受限于資源或者實(shí)時(shí)性要求較高，無(wú)法使用大模型。

那么，常規(guī)大小的模型是否具備這種能力呢？為了探索小模型的上下文學(xué)習(xí)能力，字節(jié)和華東師大的研究團(tuán)隊(duì)在場(chǎng)景文本識(shí)別任務(wù)上進(jìn)行了研究。

目前，在實(shí)際應(yīng)用場(chǎng)景中，場(chǎng)景文本識(shí)別面臨著多種挑戰(zhàn)：不同的場(chǎng)景、文字排版、形變、光照變化、字跡模糊、字體多樣性等，因此很難訓(xùn)練一個(gè)能應(yīng)對(duì)所有場(chǎng)景的統(tǒng)一的文本識(shí)別模型。

一個(gè)直接的解決辦法是收集相應(yīng)的數(shù)據(jù)，然后在具體場(chǎng)景下對(duì)模型進(jìn)行微調(diào)。但是這一過程需要重新訓(xùn)練模型，計(jì)算量很大，而且需要針對(duì)不同場(chǎng)景需要保存多個(gè)模型權(quán)重。如果文本識(shí)別模型也能具備上下文學(xué)習(xí)能力，面對(duì)新的場(chǎng)景，只需要少量標(biāo)注數(shù)據(jù)作為提示，就能提升在新場(chǎng)景上的性能，那么上面的問題就迎刃而解。不過，場(chǎng)景文本識(shí)別是一個(gè)資源敏感型任務(wù)，將大模型當(dāng)作文本識(shí)別器非常耗費(fèi)資源，通過初步的實(shí)驗(yàn)，研究人員得到的觀察是傳統(tǒng)的大模型訓(xùn)練方法在場(chǎng)景文本識(shí)別任務(wù)上并不適用。

為了解決這個(gè)問題，來自字節(jié)跳動(dòng)和華東師大的研究團(tuán)隊(duì)提出了自進(jìn)化文本識(shí)別器，E2STR（Ego-Evolving Scene Text Recognizer），一個(gè)融合了上下文學(xué)習(xí)能力的常規(guī)大小的文本識(shí)別器，無(wú)需微調(diào)即可快速適應(yīng)不同的文本識(shí)別場(chǎng)景。

E2STR配備了一種上下文訓(xùn)練和上下文推理模式，不僅在常規(guī)數(shù)據(jù)集上達(dá)到了 SOTA 的水平，而且可以使用單一模型提升在各個(gè)場(chǎng)景中的識(shí)別性能，實(shí)現(xiàn)對(duì)新場(chǎng)景的快速適應(yīng)，甚至超過了經(jīng)過微調(diào)后專用模型的識(shí)別性能。E2STR證明，常規(guī)大小的模型足以在文本識(shí)別任務(wù)中實(shí)現(xiàn)有效的上下文學(xué)習(xí)能力。

方法

圖 1 介紹了E2STR的訓(xùn)練和推理流程。

1. 基礎(chǔ)文本識(shí)別訓(xùn)練

基礎(chǔ)文本識(shí)別訓(xùn)練階段采用自回歸框架訓(xùn)練視覺編碼器和語(yǔ)言解碼器，目的為了獲取文本識(shí)別能力：

2. 上下文訓(xùn)練

上下文訓(xùn)練階段E2STR將根據(jù)文中提出的上下文訓(xùn)練范式進(jìn)行進(jìn)一步訓(xùn)練。在這一階段，E2STR會(huì)學(xué)習(xí)理解不同樣本之間的聯(lián)系，從而從上下文提示中獲取推理能力。

如圖 2 所示，這篇文章提出 ST 策略，在場(chǎng)景文本數(shù)據(jù)中進(jìn)行隨機(jī)的分割和轉(zhuǎn)換，從而生成一組 "子樣本"。子樣本在視覺和語(yǔ)言方面都是內(nèi)在聯(lián)系的。這些內(nèi)在聯(lián)系的樣本被拼接成一個(gè)序列，模型從這些語(yǔ)義豐富的序列中學(xué)習(xí)上下文知識(shí)，從而獲取上下文學(xué)習(xí)的能力。這一階段同樣采用自回歸框架進(jìn)行訓(xùn)練：

3. 上下文推理

針對(duì)一個(gè)測(cè)試樣本，該框架會(huì)從上下文提示池中選擇 N 個(gè)樣本，這些樣本在視覺隱空間與測(cè)試樣本具有最高的相似度。具體來說，這篇文章通過對(duì)視覺 token 序列做平均池化，計(jì)算出圖像 embeddingI。然后，從上下文池中選擇圖像嵌入與I的余弦相似度最高的前 N 個(gè)樣本，從而形成上下文提示。

上下文提示和測(cè)試樣本拼接在一起送入模型，E2STR便會(huì)以一種無(wú)訓(xùn)練的方式從上下文提示中學(xué)得新知識(shí)，提升測(cè)試樣本的識(shí)別準(zhǔn)確率。值得注意的是，上下文提示池只保留了視覺編碼器輸出的 token，使得上下文提示的選擇過程非常高效。此外，由于上下文提示池很小，而且E2STR不需要訓(xùn)練就能直接進(jìn)行推理，因此額外的消耗也降到了最低限度。

實(shí)驗(yàn)

實(shí)驗(yàn)從三個(gè)角度進(jìn)行：分別是傳統(tǒng)文本識(shí)別集、跨域場(chǎng)景識(shí)別、困難樣本修正。

1. 傳統(tǒng)數(shù)據(jù)集

從訓(xùn)練集中隨機(jī)抽取很少的樣本（1000 個(gè)，訓(xùn)練集 0.025% 的樣本數(shù)量）組成上下文提示池，在 12 個(gè)常見的場(chǎng)景文本識(shí)別測(cè)試集中進(jìn)行的測(cè)試，結(jié)果如下：

可以發(fā)現(xiàn)E2STR在識(shí)別性能差不多已經(jīng)飽和的傳統(tǒng)數(shù)據(jù)集上依然有所提升，超越了 SOTA 模型的表現(xiàn)。

2. 跨域場(chǎng)景

跨域場(chǎng)景下每個(gè)測(cè)試集僅提供 100 個(gè)域內(nèi)訓(xùn)練樣本，無(wú)訓(xùn)練和微調(diào)對(duì)比結(jié)果如下，E2STR甚至超過了 SOTA 方法的微調(diào)結(jié)果。

3. 困難樣本修正

研究人員收集了一批困難樣本，對(duì)這些樣本提供了 10%~20% 的標(biāo)注，對(duì)比E2STR的無(wú)需訓(xùn)練的上下文學(xué)習(xí)方法和 SOTA 方法的微調(diào)學(xué)習(xí)方法，結(jié)果如下：

可以發(fā)現(xiàn)，相比于微調(diào)方法，E2STR-ICL 大大降低了困難樣本的錯(cuò)誤率。

未來展望

E2STR證明了使用合適的訓(xùn)練和推理策略，小模型也可以擁有和 LLM 類似的 In-context Learning 的能力。在一些實(shí)時(shí)性要求比較強(qiáng)的任務(wù)中，使用小模型也可以對(duì)新場(chǎng)景進(jìn)行快速的適應(yīng)。更重要的是，這種使用單一模型來實(shí)現(xiàn)對(duì)新場(chǎng)景快速適應(yīng)的方法使得構(gòu)建統(tǒng)一高效的小模型更近了一步。