Add FireRed OCR comparison and preserve attribution layout

2026-10-29 00:14:13 +08:00
parent cad96d59c8
commit 166ea871d3
10 changed files with 355 additions and 16 deletions
@@ -0,0 +1,40 @@
+# FireRed 前 50 页对比与 EPUB 结构修复
+
+日期：2026-10-29。样本为用户提供的《中国的世界高原（上）》扫描 PDF，共 476 页；本次只请求并输出原 PDF 第 1–50 页。
+
+源 SHA256：`aebc9f263ab0599f6d11c7db6c5e89e1316f2a950f2faa9ddbc72a94fe3da335`。
+
+## 识别条件
+
+- 服务 `http://192.168.50.100:8001/v1`，公开别名 `firered-ocr`，vLLM 报告上下文 4096；未暴露权重版本，不推断模型大小或量化方式。
+- 官方提示、temperature=0、max_tokens=1800、最长边1600px；全部50页正常 stop。原响应保存在 `.work/pdf-firered-50/comparison-pages/` 与 `firered-raw/`。
+- Vision 对照使用已有180dpi缓存，因此不是同输入分辨率的严格模型基准。原参考中封面、扉页、目录的图片保留页没有 Vision 文本，不能将其计为漏识别。
+
+## 人工片段对比
+
+从第4、12、16、30、50页人工转录5个诊断片段，共721个归一化字符。同页寻找最佳对应子串，计算编辑距离；NFKC处理后仅保留字母、数字、汉字，排除标点和空白。
+
+| 引擎 | 编辑数 | 局部字错率 |
+| --- | ---: | ---: |
+| 原 Vision | 16 | 2.22% |
+| FireRed | 1 | 0.14% |
+
+这些片段不是随机样本，不代表全部50页或全书准确率。FireRed 在第30页把“拥有”识别成“有”；另有标点遗漏，不能视为已完整校对。首次人工转录曾将“饿肚”误写为“挨肚”，放大原扫描复核后更正；旧转录与放大截图留在本地审计目录，最终表格使用更正结果。原始 OCR 未被手工修订。
+
+## 排版与结构
+
+两份输出都是前50页的部分重排初稿：44页文字重排，6页保留原图（第1、2、13、14、15、30页）。第30页含照片，保留整页以防图片丢失；其原始 FireRed 文本仍参与 OCR 对比。
+
+修复署名、日期被并入正文及失去右对齐的问题：短窄右侧块分别输出为 attribution 段落，日期不当作页脚移除。FireRed 本身无坐标，本样例借用同源 Vision 的文字匹配几何，正文不取自 Vision。无法匹配的坐标保留未知，不伪造。
+
+每份 EPUB 均通过结构审计，保留50个来源页锚点，实际点击12个目录目标成功；第4、12、16、30、50页在900px和390px宽度检查未报越界。已直接查看署名日期截图，确认独立且右对齐。Chromium连续XHTML检查不能代表所有阅读器分页，也不等于全文OCR验收。
+
+## 本地交付与复现
+
+- `output/pdf/中国的世界高原_上_FireRed_前50页样例.epub`
+- `output/pdf/中国的世界高原_上_Vision_前50页结构修复对照.epub`
+- `.work/pdf-firered-50/comparison/index.html`：全部50页扫描及两种原始OCR逐页对照。
+- `.work/pdf-firered-50/qa-final/review.html`、`.work/pdf-vision-50/qa-final/review.html`：响应式排版、导航检查。
+- `.work/pdf-firered-50/review-record.json`：绑定输入、输出哈希与抽查范围。
+
+代码验证：`python -m pytest -q`，103 passed、2 skipped。模型响应、图像、书籍摘录及 EPUB 留在本地，不提交仓库。原476页 Vision 初稿未在本次覆盖或重做。