Datalab 詞級信心模型更新：手寫掃描的 93% 詞框，為何不等於 OCR 正確率？
Datalab 詞級信心模型更新手寫與掃描文件的詞框和信心分數，usable box 從 60% 升至 93%。本文解釋 IoU、低信心誤標、人工複核門檻與高信心仍讀錯的例子，協助設計 OCR 驗收。
OCR 把手寫掃描轉成一整頁流暢文字後，最費工的往往是找出哪個字值得回頭看。
Datalab 詞級信心模型在 2026 年 10 月 20 日更新，創辦人又在台灣時間 10 月 22 日清晨展示，如何讓人直接看到每個詞的位置與信心。
詞框就是把一個詞在原頁的位置框起來，信心分數則幫審閱者挑出模型比較沒把握的輸出。兩者放在一起，人才能從可疑文字直接回到原稿。
官方自測中，可用詞框比例從 60% 升到 93%，但這量的是框的位置，不能解讀成 93% 的字都辨識正確。
另一項改善更貼近人工工作量：已經讀對的字，被誤標低信心的比例從 4.4% 降到 0.8%，複核清單可能因此少一些白跑。
我會把這次更新當成複核介面的進步。有大量掃描文件的團隊值得試，但金額、日期和其他關鍵資料仍要看原稿，不能把高分當成免驗收通行證。
先分清框和分數各自量什麼，才知道 93% 該怎麼用。
Datalab 詞級信心是什麼？位置與把握分成兩件事
詞框回答「去哪裡看」，分數回答「先看哪個詞」，兩者不能互相替代。
OCR 是把圖片上的文字轉成可搜尋、複製的文字。如果只拿到轉寫結果，審閱者發現一個奇怪金額後，還得回整頁掃描裡找位置，核對時間不全花在判讀本身。
詞框提供原頁的座標，所以介面能在你點選文字時，把對應位置標出來。若框偏到隔壁行，文字即使讀對了，審閱者仍可能對到錯的證據。
信心分數則是模型對這次預測的把握訊號。低分能幫人排序檢查順序，卻不能直接換成「這個詞有幾成機率是錯的」，因為還需要用同類文件的人工答案確認分數和錯誤的關係。
依 Datalab 的更新公告，過去乾淨印刷文件的表現較好，但手寫或老掃描的框容易跑到下一個詞、甚至下一行，已讀對的內容也常被打低分。
所以這次更新同時處理兩種負擔：框的位置不準，讓人找不到要看的地方，而分數過度保守，則把不需要複核的字推進待辦。
這項能力也不是本週才出現。Datalab 在 6 月 23 日已公布詞框與信心功能，10 月的變動是改善手寫、掃描文件上的定位與分數，不能把舊功能重新寫成首次推出。
這個分工釐清後，官方的四組改善數字，才不會被混成同一種「正確率」。
60% 到 93% 量的是詞框，不是 OCR 文字正確率
官方用三種重疊門檻，分別統計詞框可用、緊貼，以及明顯放錯位置的情況。
這裡的 IoU，是預測框和參考框重疊的面積，除以兩個框合併後的面積。數字越接近 1，表示位置越貼近人工參考框。
例如一個框大部分罩住正確詞語，卻連旁邊的字一起框進去，仍可能達到「可用」門檻，但過不了更嚴格的緊貼門檻。因此，同一模型會同時有不只一個定位成績。
以下整理官方在保留測試集上的結果。保留測試集是留到評估時才使用的資料，這次包含手寫與掃描頁面，並以參考詞框核對。
| 官方指標 | 判定條件 | 舊模型 | 新模型 |
|---|---|---|---|
| 可用詞框 | IoU 至少 0.5 | 60% | 93% |
| 緊貼詞框 | IoU 至少 0.75 | 12% | 72% |
| 明顯錯位詞框 | IoU 低於 0.1 | 12% | 6% |
表格顯示，新模型不只是讓更多框勉強跨過可用門檻，也有更多框達到較嚴格的重疊要求。但明顯錯位沒有消失，不能因此把每個框都當成可靠定位。
可用詞框增加 33 個百分點，和增加 33% 不是同一個說法。若把它轉成相對成長，會是另一個計算，正文直接保留前後比例比較容易理解。
更關鍵的是，這張表完全沒有回答詞語本身讀對多少。框能正確罩住「5.05」，轉出的文字仍可能是「0.05」，因此位置和內容要分開驗收。
官方說測量使用生產程式，延遲沒有改變，但沒有在這份短公告提供測試總頁數、各語言占比和完整原始結果。因此，這些數字應讀成廠商自測，不能當成所有文件都能重現的保證。
官方展示了英文手寫歷史文件、打字備忘錄和印地語頁面，卻沒有提供繁體中文直書或台灣手寫文件的同條件成績。相關用途仍要用自己的樣本確認。
六月的原始功能說明另提到，中文、日文與韓文可以使用逐字框，所以中文系統不必硬把一整句當成一個詞。但這是輸出粒度的支援，不能當成十月新模型已通過中文手寫評測的證據。
框找對位置只是第一步，複核清單是否更精準，還要看低信心誤標。
延伸閱讀：Indra OCR 百萬參數模型解析：每秒 49 頁，中文掃描與手寫能用嗎？
4.4% 降到 0.8%，對人工複核有什麼意義？
這項數字只看「已經讀對的字」，其中有多少仍被模型打成低於 0.5 的信心。
如果一個字確實讀對，卻被送進人工複核，審閱者看完只能再確認一次。這種白查越多，清單就越難幫人優先找到有問題的地方。
用條件式例子來看，假設某批文件有一萬個已讀對的詞，而且分布與官方測試相同，舊比例會把約 440 個詞標成低信心，新比例則約 80 個。
兩者相差 360 個，但這只是依官方比例計算的例子，沒有計入真正讀錯的詞，也不能直接換算成整批文件省下多少分鐘。
原因在於，人看一個詞的時間不固定。若框準、上下文清楚，可能很快就能判斷，但若原掃描模糊、跨行或有塗改，即使待辦變少，個別核對仍可能很慢。
同樣地，0.8% 也不是模型的總誤報率。它的分母是正確讀出的字，不是全部低信心項目，更不是所有文件。換了分母，就會得到不同的問題和答案。
官方這次改善的實際意義，是讓分數少把「這是手寫」誤當成「這個詞值得懷疑」。如果評估資料包含很多手寫頁，這會比再加一個漂亮的整體分數更接近複核需求。
但低信心誤標變少，也代表新舊分數分布不同。以前設定的送審門檻，不一定能維持同樣的查錯能力。
升級後怎麼重設複核門檻？先抽自己的頁面
門檻應用同類文件的人工答案校準，不能只看新模型分數普遍提高，就把舊設定原封不動保留。
Datalab 表示，既有 API 不需要更改，仍開啟 word_bboxes，透過 HTML 的 data-bbox 和 data-confidence 取得座標與分數。更新已在美國與歐洲區域提供。
API 是讓程式呼叫服務的介面。介面不變，代表原本接好的欄位仍可使用，但不代表欄位裡數字的分布完全不變，這正是升級後容易忽略的地方。
官方提醒，手寫與掃描頁的信心值會提高，而頁面信心又受低分詞影響，因此整頁分數也會上升。若系統原本以整頁低分才送審，清單可能變短，但仍需確認漏掉了什麼。
第一次比較可以先固定文件類型。例如同一種表單、同一種掃描來源，分別保留人工確認的文字與位置，再看新舊模型把哪些地方送進複核。
這樣才能把兩種結果分開：少查了原本就正確的字，是效率改善，但少查了真正錯誤的字，則是漏查增加。單看待辦項目減少，無法分辨是哪一種。
門檻也不必全文件共用。金額、日期與名稱一旦錯誤，後續用途可能不同，所以可以先標出重要欄位，再決定哪些內容即使高分也要抽查。
這是依使用情境安排人工工作，不是產品自帶保證。例如金額欄要逐項核對，敘述段落採抽樣，就需要由團隊根據實際錯誤代價決定，不能只依廠商示範的一個數字。
若文件來源混雜，還應把拍照、掃描 PDF 和重新壓縮圖片分開比較。因為輸入品質不同時，分數與錯誤都可能改變，混在一起的平均值不容易指出問題在哪。
重新設定門檻時，也要保留高信心仍可能出錯的檢查路徑。官方自己就提供過很具體的例子。
高信心仍會讀錯：0.05 與 5.05 的官方例子
Datalab 先前的模型不確定性方法文章示範過，一個關鍵數字被讀錯時，信心仍可能超過 0.96。
該文用英國某地 1941 至 1950 年的降雨表格說明，1950 年 7 月原值是 5.05，模型卻讀成 0.05。文中後續針對 PDF 輸入的比較，錯值信心落在 0.962 至 0.966。
如果系統只把低於 0.9 的內容送審，這個格子便不會出現在清單裡。它不是因為沒有位置資訊而漏掉，而是模型對錯誤結果仍相當有把握。
這個例子來自先前的方法文章，不是 10 月 20 日新詞框模型的評測結果。它的用途是說明信心分數的限制，不能拿來推斷新模型對這張表必定仍讀錯。
同篇文章也提到，同一個手寫詞在 Playground 與 API 的分數約為 0.35 和 0.33，顯示不同執行可能略有變化。Playground 是官方提供的互動測試介面，不是另一份人工標準答案。
因此，驗收不宜卡在某一個分數最後幾位。更有用的問題是，一段分數區間內的錯誤是否比較集中，以及改變門檻後，人工有沒有更容易找到重要錯誤。
對表格還要多看一個關係：文字可能讀對，卻放到錯的列或欄。若後續要計算或匯入資料庫，單一詞的信心無法代替整個表格結構的核對。
詞框、文字與欄位關係一起保留，才能讓複核者回到原頁確認。只輸出最後一份乾淨文字，反而可能把判斷錯誤需要的證據丟掉。
核對時還應分清辨識和編輯。若原稿本來就拼錯，忠於原稿的轉寫仍可能需要保留那個錯字，而不是讓模型改成較通順的文字。詞框的用途是幫人找到證據，並不替資料使用者決定是否要修正文意。
因此，複核紀錄可以同時保留模型輸出、原頁位置和人工最後採用的內容。之後發現同類錯誤，就能回頭看是辨識、定位，還是人工編輯造成，避免只剩最後結果卻查不出改動原因。
這也是為什麼更新的重點應放在複核流程，而不是把信心值包裝成另一種正確率。
延伸閱讀：OpenDocRouter 上線：一個介面切換文件 AI，便宜解析與可信資料怎麼取捨？
誰適合用這次更新？從可回看原頁的文件試起
有固定掃描來源、也有人能確認原文的團隊，比完全沒有參考答案的團隊更容易評估這次更新。
例如歷史檔案整理，若原本就要人工看一遍，可以比較新詞框是否縮短定位時間、低信心清單是否減少白查。這兩種效益都比「輸出看起來很順」更容易驗證。
如果目標是把金額直接送進會計系統，驗收就需要更貼近欄位。要記錄錯在哪個數字、是否送審、人工能否快速找到原格子，而不只記整頁平均信心。
成本也應把複核納入。即使 API 回傳速度沒變，只要人工找到原文更快，整個處理時間仍可能改善，反過來，若新分數讓錯誤更容易被放行，較短清單就不是好結果。
因此可以先比較每頁人工查看時間、真正修正的錯誤數，以及抽查中仍漏掉的問題。這些是建議追蹤的工作指標，並非 Datalab 已公布的節省成績。
不適合的用法，是把所有高分內容直接視為正確，或在沒有自己的答案時，只靠新模型比舊模型分數更高就決定切換。那樣沒有獨立依據分辨「更準」和「更有自信」。
對一般科技讀者，這次更新提供了一個很實際的觀察角度：文件 AI 的進步，不只在於讀出更多字，也在於讓人知道該看哪裡，並保留查回原稿的路。
Datalab 詞級信心常見問題
Datalab 的 93% 是文字辨識正確率嗎？
不是。它是官方測試中 IoU 至少 0.5 的可用詞框比例，量的是框與參考位置的重疊，沒有直接表示文字本身讀對多少。
Datalab 詞級信心 0.9 代表九成機率正確嗎？
不能直接這樣解讀。分數是模型的把握訊號，要用自己的文件與人工答案確認它和實際錯誤的關係，高分也可能讀錯。
舊的 Datalab API 設定要改嗎？
官方表示介面不變，仍使用 word_bboxes，從相同欄位取得座標與信心。但舊送審門檻需要重新檢查，因為新模型分數會普遍提高。
新模型已證明適用繁體中文手寫嗎？
這次公告沒有提供繁體中文手寫的分項成績。相關團隊可以用自己的原頁抽樣驗收，但不能從英文與印地語示範直接推算效果。
把信心用來安排複核，把原稿留作最後依據
這次 Datalab 更新的價值，在於詞框更貼近原文、正確詞較少被誤送複核，有機會讓人工把時間用在需要判斷的地方。
有文件量的團隊，值得先拿一批可人工確認的頁面比較。是否採用，要看定位、漏查與人工作業一起改善，而不是只看新版本的分數更高。
想持續追蹤文件 AI、OCR 與人工驗收方法，可以免費訂閱 AI 郵報，並保留自己的文件測試集，方便下次模型更新時比較。
