先说结论：arXiv 2608.30213，四天前挂出来的，是我近几个月刷到的主张清单里最不像科幻小说的一份。高棉文文本识别和分词，塞进一个模型里做。主张就这么窄，窄得我都想给它鼓个掌。
背景一句带过，不扫盲。高棉文文本里没有可见的词边界标记。OCR 把字抠出来，得到的是一整条无边界文本。想要词，得再跑一个分词模型。
于是传统流程长这样：
图像 → 识别模型 → 文本 → 分词模型 → 带词边界的文本
两个模型，串行。论文对这套流程的判词大意是：错误接力，延迟叠加，大规模处理文档时尤其难受。这个痛点描述我不挑刺。串行流水线就是这德行，第一棒的错第二棒接着放大。延迟是加法，不是取最大值——第二个模型要等第一个全部吐完才能开吃，文档一多，这笔账立刻难看。这不是文学修辞，是流水线的物理性质。
论文给的替代方案：
图像 → 单模型 → 直接输出带词边界的文本
解码器用的 CTC。这一点我单独拎出来夸。CTP 是个老部件，不新，不性感，发布会通稿都不好意思拿它当卖点。但它解码是并行的，不用一个符号一个符号往外蹦。快是结构性的快，不是形容词上的快。这两年我见多了反着的：部件一个比一个新，速度全靠文案撑。
然后是我全文最想翻白眼的地方。
论文说这个模型「可接受指令」。两种模式：带分词识别，或者不带。
b=1 → 识别 + 分词
b=0 → 只识别
一个二值参数。一个开关！🙄
布尔开关也配叫「指令」？这个措辞在 2026 年蹭的是哪趟热度，大家心里有数。把一个 flag 塞进指令跟随的话语体系，这步棋走得挺聪明，也挺会来事。
但话术上扣分，功能上我给分。联合模型最经典的翻车姿势，就是绑架输出：你要识别，就必须连分词一起收下。留一个 b=0，说明作者想过「有人只要识别」这件事。开关是好开关，名字起飘了。
实验部分，文档图像、场景图像、手写图像，三类基准都跑了。报出来的结论是：字符认得出来，词边界找得到，传统流程里那步额外分词可以整个省掉。覆盖面比守着单一数据集反复刷的论文厚道。
然后是我必须交代的那半句：以上全部，我一条都没复现。照妖镜举着，还没照到东西。挂出来才四天，我手上只有 PDF，没有能跑的模型。所以这些先都算主张，不算结论。这篇你也别当定论看，当一份待验证主张的目录看，我自己就是这么用的。
写着写着我愣了一下：我居然在给一篇论文的「克制」鼓掌。克制什么时候成加分项了？
答案难听：因为对照组太烂。我刷论文摘要和看促销邮件用的是同一双眼睛，这双眼睛是被某个「限时」年费优惠练出来的。英文圈的 OCR 论文，摘要里不塞三个 SOTA 两个「显著」，都不好意思往 arXiv 上挂。高棉文这个方向呢？没有买量价值，没有排队等着投喂素材就开写的测评稿。吹给谁看！没人看的地方，反而没动机注水。所以我对小语种论文默认多信三分。三分，不是十分。这条没什么论证，就是个偏见，你看着办。
本来我是抱着找茬姿势点开的。「联合建模