一句话看懂：Hugging Face 与 EleutherAI 合作发起 FineBooks 项目，实测 14 款开源 OCR 模型后发现，当前最优模型能以不到每千页 2 美元的成本，把历史书籍扫描文本的字符准确率提升到 97% 以上，足以改善大模型训练数据的质量，但也还不能直接用于学术研究。
事件核心：发生了什么
FineBooks 是 Hugging Face 与 EleutherAI 联合推进的开放数据治理项目，目标是解决公共领域书籍扫描文本（OCR 输出）质量低劣、拖累语言模型训练效果的问题。项目团队选取了生物多样性遗产图书馆（BHL）中 2,165 页历史书籍作为基准，邀请 14 个开源权重 OCR 模型进行转换测试，并以字符错误率（CER）为主要指标排名。
结果显示，排名第一的 dots.mocr 模型（3B 参数）字符准确率达到 97.6%，处理成本约为每千页 1.94 美元；第二名 OvisOCR2 仅有 0.9B 参数，准确率 96.9%，成本低至每千页 0.46 美元。作为对照，9.7B 参数的 Qwen3.5-9B 准确率为 94.9%，排名第六。团队因此指出，模型参数规模与历史文档 OCR 质量之间没有明显正相关。
这一项目并非空谈：EleutherAI 去年发布的开源语料 Common Pile 中包含约 30 万本公共领域书籍，文本多来自早年 OCR 管道，错误率较高。FineBooks 计划用表现最好的模型重新处理其中约 20 万份 BHL 文档，并将结果作为开放数据集发布。
为什么重要
旧 OCR 文本对语言模型训练的拖累是真实且可量化的。此前 Talkie 项目实验显示，用 OCR 文本训练的模型，学习效率仅相当于使用人工转录文本训练的 30%。这意味着公共领域书籍这一重要的高质量语料池，长期以“受损形态”进入开源模型训练流程，造成算力浪费和模型质量折损。
FineBooks 的价值在于把问题规模化、工程化：它建立了可复用的评测流程和公开排行榜，并用成本数据证明——重刷百万页级历史文献并不是昂贵的事。每千页不到 2 美元的成本，使得重处理 BHL 超过 6,400 万页的馆藏成为一个现实可行的开源基础设施项目，而非学术幻想。
另一个值得注意的信号是：小模型在垂直任务上反超大模型。0.9B 到 3B 参数的小模型在历史文档识别上优于近 10B 参数的通用大模型，说明针对特定数据分布做专用优化，仍然是一条高性价比的技术路线。
对用户/开发者/创作者的影响
对开发者而言，FineBooks 的评测框架和排行榜是直接可用的工具。如果你正在构建涉及历史文献、古籍数字化或 OCR 后处理的应用，可以基于其公开基准选择模型，无需自己搭建昂贵的评测环境。
对大模型训练团队和开源社区来说，FineBooks 重新处理后的 BHL 数据集值得跟踪。若按计划发布，它将为开源模型提供一批显著更干净的公共领域训练语料，尤其有助于提升模型在 19 世纪至 20 世纪初英文、法文、德文和拉丁文文本上的表现。
对图书馆、博物馆等文化机构，报告结论也提供了参考：目前最优模型仍存在一定字符错误率，尚未达到学术级精度，不能直接替代人工校对的 ALTO XML 流程；但用于大规模语料清洗和全文检索索引，性价比已经高于传统 OCR 管道。
值得关注的后续
第一，FineBooks 团队能否兑现“重新处理约 20 万份 BHL 文档并开放发布”的承诺，以及新数据集的实际质量提升幅度，是最直接的观察点。第二，排行榜采用滚动更新机制，后续是否会有更大规模的 OCR 模型刷新榜单，以及小模型与专业模型的竞争格局如何演变，值得留意。第三，评测目前仅覆盖 Antiqua 字体、四种欧洲语言和单栏书页，未来若扩展到哥特体（Fraktur）、非拉丁文字或手写体，将决定这项工作的适用边界能走多远。
