Naukowcy z branży przetwarzania tekstu zapresentowali EditVeto, system, który poprawia noisy transkrypty OCR histor historycznych dokumentów poprzez inteligentne filtrowanie zmian wprowadzanych przez duże modele językowe. Problem był jasny: choć LLMy potrafiły naprawiać błędy optycznego rozpoznawania znaków, często zmieniały też tekst, który był już poprawny. EditVeto rozwiązuje to przez umieszczenie małej sieci neuronowej (bramka o rozmiarze 0,6B parametrów) bezpośrednio po pełnym przepisaniu tekstu przez LLM.
Architektura systemu jest elegancka i efektywna. Model najpierw przepisuje cały tekst z kontekstem, a następnie wyrównuje go charakterami do oryginalnego OCR. Różnice dzielone są na bloki, które bramka ocenia indywidualnie: zatwierdza poprawy lub je cofa. Badacze przeprowadzili analizę orakulum, która pokazała kluczową intuicję: generowanie poprawek dla każdego fragmentu z osobna działa gorzej niż brak korekcji, natomiast odfiltrowanie złych zmian z pełnego przepisania przynosi wymierne korzyści. Sieć trenowano na przepisaniach z dwóch modeli Qwen3 i testowano na ośmiu zestawach danych HIPE-OCRepair-2026.
Wyniki są obiecujące i skalowalne. Na testowych danych system poprawił rezultaty wszystkich pięciu przetestowanych systemów, w tym dwóch, które wcale nie widziały podczas treningu. Weighted cMER spadł o 0,0026-0,0044 punktów, a score preferencji wzrósł o 0,15-0,25 (z istotności statystycznej p ~ 0,0002). Na opublikowanych wynikach konkursu EditVeto zmniejszył błędy dla trzech z czterech zespołów, choć dla zwycięskiego zespołu rezultat się pogorszył. W dalszych testach z przeretreniowaną bramką system nadal poprawiał LLMy dostrojone LoRA, osiągając cMER 0,0069 i score preferencji 0,928. Najciekawsze jest, że EditVeto zbudowano wyłącznie na publicznych modelach i danych - system zajął drugie miejsce wśród rozwiązań otwartych, tracąc tylko zwycięzcy, który używał specjalistycznego pre-treningu dziedzinowego.