在大名鼎鼎的DeepSeek OCR工作发表同期，智谱AI也发表了一篇OCR相关的工作，对于DeekSeek而言，这篇风头被掩盖，属于学术界汪峰了😏，闲言少叙，下面正题：
这篇工作的侧重点和DeepSeek的工作还是有很大的不同的：让模型先"看懂字形"，再让语言模型推理文字本身。 GlyPh-OCR 更像是一次针对复杂字形的"硬解"。它把文字的"样子"编码下来，让模型真正理解笔画、结构、字体细节，再结合上下文恢复成最终文字。
下面将从技术原理、系统架构、优势、不足及应用场景几个方面，完整解读 GlyPh-OCR 的核心内容。
01 为什么需要 GlyPh-OCR？
传统 OCR 的核心流程通常是：
text
图像 → CNN/ViT encode → CTC/Seq2Seq → 文本问题在于，当图像质量不足时：
- 字模糊
- 分辨率低
- 字体变化大
- 结构不清晰
模型往往只能"猜"，而不是"看"。
GlyPh-OCR 的出发点非常简单：
如果模型能"看懂字形"，它就能更准确地识别文字。
就像人类一样：
我们不是靠"推断语境"来认字，而是先靠"看字形"。
GlyPh-OCR 正是把这件事系统化、工程化。
02 GlyPh-OCR 的核心思想：字形离散化（Glyph Tokens）
GlyPh-OCR 的最大创新点在于：
把每个字符的视觉信息离散化，转成可让 LLM 使用的 glyph tokens。
它不是直接给 LLM 喂图片，而是先把字符切出来，再转成一种类似"笔画结构向量"的离散 token。
这让模型真正看到的是：
- 字的轮廓
- 字的笔画方向
- 字的几何结构
- 字体风格
这种表示方式远比像素更具表达力。
类似于把字符压缩成一种"视觉字形语言"。
03 GlyPh-OCR 的三大关键模块
3.1 字符检测（Character Detection）
这一步负责：
- 找出图像中所有文字区域
- 定位每个字符框
- 为后续切割提供输入
这一模块类似传统检测模型（如 CRAFT、DBNet），但 GlyPh-OCR 可能做了字体友好的增强。
这是整个流程的第一步，同时也是最"非端到端"的地方。
3.2 字符切割（Character Segmentation）
检测完成后，把每个字符裁成小 patch。
切割要做到：
- 尽量不切到背景
- 尽量完整保留字形
- 在模糊情况下尽量保留笔画轮廓
这一阶段保证了后续 glyph encoder 的输入质量。
3.3 Glyph Encoder：字形离散化（关键创新）
这是 GlyPh-OCR 里最值得关注的部分。
它的任务是：
把一个字符图像 → 一个离散 token 或向量
类似：
"永" → glyph_token_327
"字" → glyph_token_1024
"A" → glyph_token_15Glyph Token 的意义是：
- 降低 LLM 处理难度
- 提供稳定、鲁棒的"字形表示"
- 去除图像噪声影响
- 高度压缩视觉信息
本质上，这一步在做：
字符视觉 → 字形编码语言
从图像世界转换到符号世界。
3.4 LLM 字形理解与文本恢复（Glyph → Text）
最后由 LLM 来完成：
- 字形 → 字
- 字词修复
- 上下文语义推断
- 异体字 / 相似字 disambiguation
例如：
glyph_token_218 glyph_token_553 glyph_token_1003
↓
"複" "杂" "性"这让 GlyPh-OCR 具备很强的纠错能力：
- 字形稍微模糊也能恢复
- 字形近似但语境不同的字，LLM 可以 disambiguate
- 同字不同字体的差异也被统一成 token 空间
04 GlyPh-OCR 不是 End-to-End ------ 它是模块化的 OCR Pipeline
需要注意的是，很多人以为 GlyPh 是端到端模型，但其实不是。
它的整体流程是：
detector → cropper → glyph encoder → LLM decoder这是典型的"多阶段结构化 OCR pipeline"。
优点是模块可控、可解释；
缺点是链路较长，端到端优化难。
这一点与 DeepSeek-OCR 完全不同。
05 GlyPh-OCR 的优势
✔ 1. 模糊文字识别能力超强
得益于 glyph 表征：
- 小字体
- 抖动模糊
- 低分辨率
- 相机噪声
都能被更好地恢复。
- ✔ 2. 字形理解让模型更接近"看字"的过程，比像素编码更稳定。
- ✔ 3. 语言模型能做上下文纠错："形似但语义不符"的字可以被修正。
- ✔ 4. 对模型大小不敏感，即使小模型也有高性能。
- ✔ 5. 可解释性好，每个字符都有自己的 glyph token→ 非常适合可视化与调试。
06 GlyPh-OCR 的不足与限制
- ❌ 1. 非端到端，链路较长
- ❌ 2. 无法处理文档结构：表格/图表/公式/段落 layout
- ❌ 3. 无法做文档级理解：PDF → Markdown/HTML table 重建/图表 → 数据表/表格结构恢复
这些需要的是文档级语义模型，glyph 无法承担，但是DeepSeek OCR可以。
07 GlyPh-OCR 适合哪里？
- ✔ 扫描件
- ✔ 古籍识别
- ✔ 压缩图片、低清图片
- ✔ 异体字、手写体
- ✔ 小字体、模糊字体
- ✔ 需要可解释性强的场景
它是一条非常适合"字符识别本身"的技术路线。
08 总结
用一句话总结 GlyPh-OCR：
它不是"让模型理解文档"，而是"让模型看懂字形"。
它瞄准的是 OCR 的本源：字形识别。
- 如果你需要的是「把字认清楚」，Glyph-OCR 是非常优秀的方案。
- 如果你需要的是「把文档读明白」，则需要像 DeepSeek-OCR 这样的端到端多模态模型。
两者并不是竞争关系，而是：
GlyPh 解决"显微镜级"的字形问题，
DeepSeek-OCR 解决宏观结构化理解问题。
ref:
paper