我們都知道，大語言模型（LLM）能夠以一種無需模型微調的方式從少量示例中學習，這種方式被稱為「上下文學習」（In-context Learning）。這種上下文學習現(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域中都表現(xiàn)出了杰出的性能，但還是有很多場景受限于資源或者實時性要求較高，無法使用大模型。

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習能力，字節(jié)和華東師大的研究團隊在場景文本識別任務上進行了研究。

目前，在實際應用場景中，場景文本識別面臨著多種挑戰(zhàn)：不同的場景、文字排版、形變、光照變化、字跡模糊、字體多樣性等，因此很難訓練一個能應對所有場景的統(tǒng)一的文本識別模型。

一個直接的解決辦法是收集相應的數(shù)據(jù)，然后在具體場景下對模型進行微調。但是這一過程需要重新訓練模型，計算量很大，而且需要針對不同場景需要保存多個模型權重。如果文本識別模型也能具備上下文學習能力，面對新的場景，只需要少量標注數(shù)據(jù)作為提示，就能提升在新場景上的性能，那么上面的問題就迎刃而解。不過，場景文本識別是一個資源敏感型任務，將大模型當作文本識別器非常耗費資源，通過初步的實驗，研究人員得到的觀察是傳統(tǒng)的大模型訓練方法在場景文本識別任務上并不適用。

為了解決這個問題，來自字節(jié)跳動和華東師大的研究團隊提出了自進化文本識別器，E2STR（Ego-Evolving Scene Text Recognizer），一個融合了上下文學習能力的常規(guī)大小的文本識別器，無需微調即可快速適應不同的文本識別場景。

E2STR配備了一種上下文訓練和上下文推理模式，不僅在常規(guī)數(shù)據(jù)集上達到了 SOTA 的水平，而且可以使用單一模型提升在各個場景中的識別性能，實現(xiàn)對新場景的快速適應，甚至超過了經(jīng)過微調后專用模型的識別性能。E2STR證明，常規(guī)大小的模型足以在文本識別任務中實現(xiàn)有效的上下文學習能力。

方法

圖 1 介紹了E2STR的訓練和推理流程。

1. 基礎文本識別訓練

基礎文本識別訓練階段采用自回歸框架訓練視覺編碼器和語言解碼器，目的為了獲取文本識別能力：

2. 上下文訓練

上下文訓練階段E2STR將根據(jù)文中提出的上下文訓練范式進行進一步訓練。在這一階段，E2STR會學習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，在場景文本數(shù)據(jù)中進行隨機的分割和轉換，從而生成一組 "子樣本"。子樣本在視覺和語言方面都是內(nèi)在聯(lián)系的。這些內(nèi)在聯(lián)系的樣本被拼接成一個序列，模型從這些語義豐富的序列中學習上下文知識，從而獲取上下文學習的能力。這一階段同樣采用自回歸框架進行訓練：

3. 上下文推理

針對一個測試樣本，該框架會從上下文提示池中選擇 N 個樣本，這些樣本在視覺隱空間與測試樣本具有最高的相似度。具體來說，這篇文章通過對視覺 token 序列做平均池化，計算出圖像 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 個樣本，從而形成上下文提示。

上下文提示和測試樣本拼接在一起送入模型，E2STR便會以一種無訓練的方式從上下文提示中學得新知識，提升測試樣本的識別準確率。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不需要訓練就能直接進行推理，因此額外的消耗也降到了最低限度。

實驗

實驗從三個角度進行：分別是傳統(tǒng)文本識別集、跨域場景識別、困難樣本修正。

1. 傳統(tǒng)數(shù)據(jù)集

從訓練集中隨機抽取很少的樣本（1000 個，訓練集 0.025% 的樣本數(shù)量）組成上下文提示池，在 12 個常見的場景文本識別測試集中進行的測試，結果如下：

可以發(fā)現(xiàn)E2STR在識別性能差不多已經(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. 跨域場景

跨域場景下每個測試集僅提供 100 個域內(nèi)訓練樣本，無訓練和微調對比結果如下，E2STR甚至超過了 SOTA 方法的微調結果。

3. 困難樣本修正

研究人員收集了一批困難樣本，對這些樣本提供了 10%~20% 的標注，對比E2STR的無需訓練的上下文學習方法和 SOTA 方法的微調學習方法，結果如下：

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

未來展望

E2STR證明了使用合適的訓練和推理策略，小模型也可以擁有和 LLM 類似的 In-context Learning 的能力。在一些實時性要求比較強的任務中，使用小模型也可以對新場景進行快速的適應。更重要的是，這種使用單一模型來實現(xiàn)對新場景快速適應的方法使得構建統(tǒng)一高效的小模型更近了一步。