多模态大模型在"看不清"文字时瞎编答案，称为"OCR幻觉"，如下图，主要有几点：（1）预训练阶段缺乏相关数据：关键信息提取（KIE）数据以及退化视觉场景的清晰标注显著不足，限制了模型处理复杂视觉输入的能力。指令微调阶段忽视退化场景：现有研究通常假设 OCR 任务输入为非退化图像，导致模型缺乏处理真实世界退化文档（如模糊、遮挡、低对比度）所需的推理能力。
下面来看看一个思路。供参考。
数据集
数据生成方法
主要思路如下：
数据生成方法 分三步走，目的是构造一个专门用于训练模型"看清模糊文字、不乱编答案"的冷启动数据集，核心逻辑是：用现有模型生成"人类式思考"的链式推理（CoT）数据，再与图像配对，形成多模态训练样本。流程如下：
Step 1：图像→文本描述（借助GPT-4o）
输入一张退化文档图像（如模糊的发票）+ 问题（如"这张发票的总金额是多少？"），用GPT-4o将图像内容转为纯文本描述（包括文字内容、退化情况、空间位置等）。 目的是把多模态信息"翻译"成语言模型能理解的文本。
- 例如：GPT-4o会描述"图像中'总金额'一栏的数字'100'被污渍遮挡，仅能看到'1'和'00'的轮廓"。
Step 2：文本→链式推理（借助DeepSeek-R1）
输入Step 1中生成的纯文本描述 + 问题，用推理模型DeepSeek-R1生成人类式的思考链（CoT），模拟人如何一步步判断，让模型学会"看不清时不硬猜"，而是用逻辑推理标记不确定部分。
- 示例CoT ：
"观察到'总金额'栏的数字有污渍遮挡，但'1'的竖线清晰，'00'的轮廓部分可见，结合上下文'人民币符号￥'，推断金额为'100元'，但需标记'00'为不确定区域。"
Step 3：合成多模态数据
输入原始图像（带退化）和Step 2生成的CoT文本（含推理和不确定标记），输出一个完整的多模态训练样本（图像+问题+CoT答案）。
数据增强：
- 对图像随机添加退化（模糊、遮挡、低对比度）。
- 用OCR模型（如Qwen2.5-VL-72B）验证退化后的字符是否仍可见，确保标注准确。
最终效果生成的数据集覆盖身份证、发票、处方等场景。每个样本都附带：
- 像素级退化标注（哪些字符被遮挡）
- OCR可靠性得分（模型对字符可见性的置信度）
- CoT推理链（如何从不确定信息中得出结论）
方法
基于GRPO强化学习+多目标奖励函数的框架，解决OCR幻觉问题。
奖励函数设计
带OCR奖励的强化学习：设计基于规则的三级奖励函数 ，强制模型根据视觉可见性输出答案，避免幻觉。
奖励函数设计：
将字符按可见性分为三类，不同处理策略：
- 清晰字符（如"B, a, u"）：必须准确识别，奖励高。
- 部分遮挡字符（如"e"被污渍盖住30%）：需标记为异常（如"e部分可见"），保留但提示不确定。
- 完全不可见字符（如"t, i"被完全遮挡）：必须输出空格，避免幻觉。
奖励计算流程：
对模型预测和真实值计算编辑距离，生成三个指标：
clear_metric：清晰字符的准确率not_clear_metric：模糊/遮挡字符的处理合理性final_metric：最终答案与真实值的匹配度
复合奖励：
其中c₁, c₂, c₃为权重，确保模型优先视觉忠实度，而非盲目追求字符准确率。
训练阶段
冷启动SFT：用前文生成的CoT数据微调Qwen2.5-VL-7B，学习"退化场景下的推理范式"。
GRPO强化学习：
- 输入退化图像（如模糊处方），模型生成多个候选答案。
- 奖励函数评估每个答案是否**"不幻觉"**（如遮挡区域是否输出空格）。
- 通过GRPO优化策略，使模型逐渐学会**"无法识别时拒绝回答"**。
实验性能
参考文献：Seeing is Believing? Mitigating OCR Hallucinations in
Multimodal Large Language Models，https://arxiv.org/pdf/2506.20168v1