配送与出行 / 网约车与配送
Grab：提取东南亚文件的文字与字段
- 企业
- Grab
- 国家
- 新加坡
- 实施阶段
- 试点验证
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
Grab需要从身份证、驾照、登记证之类的文件中提取信息，这是客户身份核验的第一步。东南亚语言和版式多样，使这项工作格外困难。原有OCR在版式变化时表现不稳，商用LLM对东南亚语言的理解较弱，存在错误和凭空编造，响应也慢。
使用的技术与数据
Grab选择Qwen2-VL 2B作为基础模型。原因是它的规模允许做全参数微调，对泰语和越南语处理有优势，并且能按原始分辨率读取图像。训练素材来自两条线。一是从Common Crawl中抽取东南亚语言句子，生成改变字体和背景的合成图像，涵盖印尼语、泰语、越南语和英语。二是真实文件用内部自动标注工具Documint产出标签，再由人复核。LoRA方式在拉丁字母之外表现不足，于是改为更新全部参数的两阶段训练。随后，团队把Qwen2-VL 2B的vision encoder与Qwen2.5 0.5B的语言解码器拼接，构建了约1B规模的新模型。
成果
Grab表示，全参数微调的2B模型相对基线把泰语文件的准确率提高了70个百分点，越南语提高了40个百分点。新建的约1B模型在大多数文件类型上与2B模型的准确率差距在3个百分点以内。公司说明，其延迟优于2B模型、原有OCR和外部API。文中写到，外部API的P99延迟会拉长到P50的三到四倍，不适合大规模应用。
局限与待解问题
原文讲的是模型开发与评估，没有说明何时转入实际运行，也没有说明审批自动化的范围。
来源
- How we built a custom vision LLM to improve document processing at Grabengineering.grab.com, 查阅
本案例根据公开资料整理，并非 ATF Works 客户的成果。