มุมมองของ Anderson
โมเดลภาษาที่มีชื่อเสียงมีแนวโน้มที่จะ ‘ตีความ’ การถอดความ

ประเด็นสำคัญโมเดลภาษาเชิงวิสัยทัศน์เอนกประสงค์มักเขียนข้อความที่ไม่สมบูรณ์ใหม่แทนที่จะถอดความอย่างถู…
ดูเพิ่มเติม
- โมเดลภาษาเชิงวิสัยทัศน์เอนกประสงค์มักเขียนข้อความที่ไม่สมบูรณ์ใหม่แทนที่จะถอดความอย่างถูกต้อง
- ระบบ OCR แบบดั้งเดิมยังคงเชื่อถือได้มากกว่าโมเดล AI สำหรับงานถอดความตามตัวอักษร
- คำแนะนำที่ชัดเจนให้หลีกเลี่ยงการแก้ไขช่วยลดแต่ไม่สามารถกำจัดพฤติกรรมการเขียนใหม่ใน VLM ได้
งานวิจัยใหม่จาก Amazon (AMZN ) พบว่า ยิ่งโมเดลฉลาดเท่าใด ก็ยิ่งมีแนวโน้ม “สร้างสรรค์” มากขึ้นเมื่อถูกขอให้ทำ Optical Character Recognition
Optical Character Recognition (OCR) ถือเป็นปัญหาที่แก้ได้เป็นส่วนใหญ่แล้ว หากคุณสแกนข้อความหรือส่งภาพถ่ายข้อความให้ระบบ OCR ระบบจะแยกอักขระแต่ละตัวอย่างละเอียด และเดาตัวอักษรที่เหมาะสมที่สุดทีละตัว

ด้านซ้ายบน การแบ่งตำแหน่งลักษณะเฉพาะในตัวอักษรที่แยกและระบุแล้ว (แหล่งที่มา); ภาพหลัก ผลการแบ่งส่วนสำหรับคลังสถาบัน (แหล่งที่มา)
OCR ตีความอักขระแต่ละตัว อักขระที่อยู่ใกล้กันพออาจประกอบเป็นคำหรือโครงสร้างภาษาอื่น หรืออาจไม่ใช่ก็ได้ แต่ OCR ไม่สนใจ เมื่อประเด็นเหล่านั้นเกิดขึ้น ระบบก็ส่งงานต่อไปแล้ว เพราะการตรวจสะกดไม่ได้อยู่ในขอบเขตหน้าที่ของมัน
หนึ่งในระบบ OCR ที่นิยมที่สุดคือ Tesseract ซึ่งเป็นตัวแปลแบบอัลกอริทึมล้วนที่ใช้อย่างแพร่หลายในแอปพลิเคชันและเวิร์กโฟลว์โอเพนซอร์สจำนวนมาก เมื่อมีส่วนเสริม OCR แบบอัลกอริทึมให้ใช้มากมายในทุกระบบปฏิบัติการ ความสามารถในการเปลี่ยนข้อความในภาพกลับเป็นข้อความแก้ไขได้จึงกลายเป็นสินค้าฟรีทั่วไป แม้ไม่มีระบบใดปราศจากข้อบกพร่องหรือลักษณะเฉพาะ
นอกจากนี้ เพื่อรักษาความเกี่ยวข้อง องค์กรและผลิตภัณฑ์เชิงพาณิชย์ที่เคยแข่งขันในตลาด OCR แบบอัลกอริทึมได้ปรับระบบเดิมเป็นระบบจัดการเอกสารที่มี AI ช่วย อย่างไรก็ตาม เทคโนโลยีแกนกลางซึ่งส่งกลุ่มตัวอักษรที่แบ่งและระบุแล้วออกมาเป็นผลคาดการณ์ยังไม่เปลี่ยน
เมื่อโมเดลยกระดับจากตัวอักษรเป็นคำ
OCR เป็นหนึ่งในงานจำนวนเพิ่มขึ้นเรื่อย ๆ ที่โมเดลภาษาและภาพรุ่นใหม่ หรือ VLM เข้ามารับช่วง เมื่อเผชิญข้อความที่แก้ไขไม่ได้หรืออยู่ในรูปแรสเตอร์ ระบบรุ่นใหม่ในแบบเอเจนต์สามารถอ่านและถอดอักษรได้อย่างคล่องแคล่วตามต้องการ
แต่บทความวิจัยใหม่จาก Amazon.com เตือนว่า ผู้ที่เชื่อว่า AI จะทำหน้าที่เดียวกับ OCR อย่างแม่นยำอาจต้องประหลาดใจ งานศึกษาพบว่า LLM ที่คุณชื่นชอบมีแนวโน้ม “ทำเกินหน้าที่” ในการถอดความ ไม่ว่าคุณต้องการหรือไม่ มันก้าวพ้นบริบทระดับตัวอักษรไปสู่บริบทระดับคำ และแก้ “ข้อผิดพลาด” ที่พบในแบบซึ่งอาจสร้างผลเสียต่อการถอดข้อความด้านกฎหมาย การแพทย์ และประวัติศาสตร์
ผู้เขียนระบุว่า “โมเดลภาษาและภาพ (VLM) ถูกนำมาใช้แทนสายงาน OCR แบบดั้งเดิมมากขึ้นสำหรับการทำความเข้าใจเอกสาร
“[เรา] แสดงให้เห็นว่ามันไม่ได้ทำหน้าที่เป็นผู้ถอดความที่ซื่อสัตย์เสมอไป เมื่อข้อความไม่สมบูรณ์ มันมักเขียนใหม่ให้อยู่ในรูปแบบที่ดูเป็นไปได้มากกว่า ซึ่งเป็นพฤติกรรมที่เกณฑ์ทดสอบ OCR ด้วยข้อความสะอาดตรวจไม่พบ”
ผู้เขียนเสนอชุดข้อมูลและเกณฑ์ทดสอบขนาดใหญ่ที่คัดสรรใหม่ชื่อ FaithC4 และทดสอบกับโมเดล FOSS และแบบปิด 15 รุ่น รวมถึง ChatGPT และ Google Gemini หลายรุ่น
นักวิจัยพบว่าโมเดล AI อเนกประสงค์มีแนวโน้มมากกว่าระบบ OCR แบบดั้งเดิมอย่างชัดเจนที่จะเปลี่ยนคำที่ผิดรูปเป็นคำที่ “เป็นไปได้” มากกว่า บางครั้งเขียนคำที่สลับตัวอักษรใหม่เกือบ 65% และข้อผิดพลาดเล็ก ๆ ในจุดหนึ่งยังทำให้เกิดความผิดพลาดในข้อความส่วนอื่นที่เดิมถูกต้อง
คำสั้นเปราะบางเป็นพิเศษ และคำสั่งชัดเจนห้ามแก้ไขช่วยลดปัญหาได้ แต่ไม่สามารถกำจัดได้
บทความระบุว่า “แม้พฤติกรรมการเขียนใหม่จะเป็นประโยชน์ในการกู้คืนข้อผิดพลาดจริงบางอย่าง แต่ก็อาจสร้างปัญหาในงานที่ต้องการการถอดความตรงตัว เช่น เอกสารกฎหมาย เวชระเบียน และต้นฉบับประวัติศาสตร์
“แม้จะสำคัญ แต่พฤติกรรมการเขียนใหม่นี้ถูกมองข้ามในงานวิจัย VLM เป็นส่วนใหญ่ เกณฑ์ทดสอบ OCR ที่มีอยู่เน้นการรู้จำข้อความสะอาด จึงไม่เพียงพอต่อการศึกษาว่าโมเดลรับมืออินพุตที่ไม่สมบูรณ์อย่างไร”
สาระสำคัญคือ ระบบ AI ที่ก้าวหน้ากลับฝืนไม่แก้ข้อผิดพลาดไม่ได้ ขณะที่แพลตฟอร์ม OCR แบบอัลกอริทึมตั้งค่าให้ส่งผลดิบได้ง่าย ในหลายกรณีต้องอาศัยการตีความของมนุษย์เพื่อแก้ปัญหา แต่หากระบบใช้ “การแก้ไข” ที่ผิดไปแล้ว ความผิดนั้นมักหลุดผ่านระบบตรวจสอบส่วนใหญ่โดยไม่มีใครสังเกต
บทความใหม่ชื่อ Do VLMs Read or Rewrite? On Transcription Faithfulness in Vision-Language Models เขียนโดยนักวิจัยห้าคนจาก Amazon.com
ข้อมูลและวิธีการ
เพื่อสร้างชุดข้อมูลเกณฑ์ทดสอบ ผู้เขียนใช้ Colossal Cleaned Crawled Corpus หรือ C4 ซึ่งเป็นชุดข้อมูลเว็บขนาดมหาศาลที่รวบรวมในปี 2020 จากคลังนี้ พวกเขาเลือกเอกสารหน้าเดียว 1,455 ฉบับในภาษาอังกฤษ จีน และเกาหลี โดยแต่ละข้อความมีขนาดพอดีหนึ่งหน้าที่เรนเดอร์
เกณฑ์ทดสอบสุดท้ายประกอบด้วยเอกสารอังกฤษ 500 ฉบับ จีน 500 ฉบับ และเกาหลี 455 ฉบับ เป็นสนามทดสอบหลายภาษาเพื่อวัดว่าระบบ AI คัดลอกข้อความอย่างซื่อสัตย์หรือเขียนใหม่ในรูปแบบใดรูปแบบหนึ่ง
เพื่อทดสอบว่าโมเดลจะคัดลอกสิ่งที่เห็นอย่างซื่อสัตย์หรือไม่ นักวิจัยใส่ข้อผิดพลาดที่ควบคุมได้ลงในเอกสารก่อนเรนเดอร์เป็นภาพ โดยเปลี่ยนคำที่มีสิทธิ์ประมาณ 8% และแต่ละคำต้องมีอย่างน้อยสี่อักขระ ฉบับที่ไม่ถูกแก้ใช้เป็นคำตอบอ้างอิง
จากนั้นใช้การรบกวนสามแบบ ได้แก่ scramble ซึ่งสลับตัวอักษรภายในคำแต่คงตัวแรกและตัวสุดท้ายไว้ random ซึ่งแทนทุกอักขระด้วยทางเลือกแบบสุ่มจากระบบการเขียนเดียวกัน และ visual ซึ่งแทนด้วยอักขระที่ดูคล้ายกันและยังสมจริงต่อสายตา แต่เปลี่ยนข้อความเบื้องหลัง
ฉบับภาษาจีนไม่ใช้เงื่อนไข scramble เพราะระบบเขียนไม่มีคำที่แบ่งด้วยช่องว่าง จึงใช้หน้าต่างคงที่สี่อักขระสำหรับการรบกวนแบบอื่น ส่วนคำเกาหลีมีความยาวเฉลี่ยสั้นกว่า จึงมีคำผ่านเกณฑ์ให้แก้ไขน้อยกว่า
เอกสารแต่ละฉบับถูกเรนเดอร์เป็นหน้า PDF แล้วส่งให้ระบบถอดความที่เข้าแข่งขัน
การทดสอบ
การศึกษาทดสอบโมเดลอเนกประสงค์แบบปิด ได้แก่ GPT-5.4-mini, Gemini-3-Flash และ Gemini-2.5-Flash รวมถึงโมเดลโอเพนซอร์สอเนกประสงค์ Qwen3.5-4B, Qwen3-VL-4B, InternVL3.5-4B, Gemma4-E4B และ Gemma4-E2B
กลุ่มโมเดลเฉพาะทาง OCR ประกอบด้วย olmOCR-2-7B, DeepSeek-OCR-2, MinerU2.5-Pro, PaddleOCR-VL-1.5 และ LightOnOCR-2-1B ส่วนเครื่อง OCR แบบดั้งเดิมคือ Tesseract และ docTR
ทั้งสามกลุ่มพึ่งพาภาษาในระดับต่างกัน โมเดล AI อเนกประสงค์อาศัยความรู้ภาษากว้างขวางจากการฝึกล่วงหน้า โมเดลเฉพาะทาง OCR ให้ความสำคัญมากขึ้นกับการถอดเอกสารตามจริงผ่านการฝึกเฉพาะงาน ส่วนระบบ OCR ดั้งเดิมอาศัยการรู้จำอักขระ ไม่ใช่การอนุมานภาษา
ตัวชี้วัดแรกคือ Word Error Rate (WER) ซึ่งเป็นมาตรฐาน OCR สำหรับวัดจำนวนคำสมบูรณ์ที่ถอดผิด แทนที่จะนับเพียงอักขระผิด WER บันทึกการแทนที่ การลบ และการแทรกเมื่อเทียบกับต้นฉบับ จึงไวต่อทั้งคำผิด คำหาย และคำที่ถูกเพิ่ม
สำหรับภาษาจีนซึ่งไม่มีช่องว่างคั่นคำ นักวิจัยใช้แนวทางเดียวกันในระดับอักขระ เรียกว่า Character Error Rate (CER)
ตัวชี้วัดที่สองคือ Edit Distance Similarity (EDS) เพื่อจับความผิดพลาดที่ละเอียดกว่า EDS เปรียบเทียบข้อความคาดการณ์กับต้นฉบับในระดับอักขระ และต่างจาก WER ตรงที่แยกได้ระหว่างคำที่ผิดทั้งหมดกับคำที่ต่างเพียงหนึ่งหรือสองอักขระ จึงช่วยตรวจทั้งความคลาดเคลื่อนเล็กน้อยและการเขียนใหม่บางส่วนซึ่งอาจดูคล้ายเดิม

การเปลี่ยนแปลงของ Word Error Rate (ซ้าย) และ Edit Distance Similarity (ขวา) ในภาษาอังกฤษ จีน และเกาหลี หลังใช้การรบกวนข้อความสามแบบ ระบบ OCR แบบดั้งเดิมเสื่อมประสิทธิภาพน้อยที่สุด โมเดลเฉพาะทาง OCR อยู่กึ่งกลาง และโมเดล AI อเนกประสงค์มักได้รับผลกระทบจากข้อความเสียหายมากที่สุด แหล่งที่มา
ระบบ OCR แบบดั้งเดิมทนต่อการรบกวนทั้งสามแบบมากที่สุดและเสียความแม่นยำเพียงเล็กน้อย เพราะเน้นรู้จำอักขระแต่ละตัว แทนการอนุมานคำจากบริบท
โมเดล AI เฉพาะทาง OCR อยู่กึ่งกลาง MinerU และ LightOn ยังค่อนข้างแข็งแรง ส่วน olmOCR และ DeepSeek-OCR ไวต่อข้อความเสียหายมากกว่า แสดงว่าการฝึกเฉพาะเอกสารลดแต่ไม่ได้กำจัดแนวโน้มที่จะตีความสิ่งที่อ่านใหม่
โมเดล AI อเนกประสงค์ทำผลงานแย่ที่สุดโดยรวม มีข้อผิดพลาดการถอดความเพิ่มขึ้นมากที่สุดเมื่อพบข้อความถูกรบกวน ส่วนใหญ่เสื่อมประสิทธิภาพมากกว่าโมเดลเฉพาะทาง OCR และ OCR ดั้งเดิมอย่างชัดเจน แม้ Gemini-3-Flash จะเป็นข้อยกเว้นที่โดดเด่น เพราะทำงานคล้ายระบบ OCR ทั่วไปมากกว่า
โดยรวม อันดับสอดคล้องอย่างใกล้ชิดกับระดับการพึ่งพาความรู้ภาษา ยิ่งมีอคติจากความรู้ภาษาที่แรง ก็ยิ่งมีแนวโน้มเขียนใหม่แทนการถอดข้อความตรงตัว

ผลการทดสอบการรบกวนแบบ “Scramble” ในภาษาอังกฤษ แสดงการกระจายข้อผิดพลาดของแต่ละระบบระหว่างการเขียนใหม่ตรงตัว การถอดใกล้เคียง (Close) ความผิดพลาดมากขึ้น (Moderate) และผลที่ผิดอย่างชัดเจน (Wrong) โมเดลเรียงตามอัตราการเขียนคำเสียหายใหม่
ระบบ OCR แบบดั้งเดิมส่วนใหญ่สร้างข้อผิดพลาดการถอดความตามปกติ เช่น การแทนที่ แทรก และลบ ในทางตรงข้าม โมเดล AI อเนกประสงค์มีแนวโน้มสูงกว่ามากที่จะเปลี่ยนคำเสียหายเป็นทางเลือกที่ดูสมเหตุผล ขณะรักษาประโยครอบข้างไว้ เป็นหลักฐานชัดเจนว่ามันไม่ได้เพียงอ่านตัวอักษรเสียหายผิด แต่กำลังเขียนใหม่โดยใช้บริบทภาษา

ผลการวิเคราะห์การแพร่กระจายข้อผิดพลาด แสดงอัตราผิดต่อคำในคำที่ถูกรบกวนและไม่ถูกรบกวนหลังการรบกวนแต่ละแบบ การแก้คำเพียงราว 4.7% ทำให้ข้อผิดพลาดแพร่ไปยังข้อความรอบข้างที่ไม่ถูกแก้ในหลายโมเดล
งานศึกษายังพบว่าข้อผิดพลาดไม่จำกัดอยู่แค่คำที่ถูกรบกวน การเปลี่ยนคำเพียงประมาณ 4.7% ในเอกสารอังกฤษเพิ่มอัตราผิดในข้อความรอบข้างที่ไม่ได้แก้อย่างมาก

ผลเพิ่มเติมจากการวิเคราะห์การแพร่กระจายข้อผิดพลาด แสดงข้อผิดพลาดที่เพิ่มขึ้นทั้งในคำที่ถูกรบกวนและคำที่ไม่ถูกแก้ โมเดล AI อเนกประสงค์ขยายความผิดพลาดมากที่สุด โดยความผิดมักแพร่พ้นคำที่เสียหายตั้งแต่แรก
VLM อเนกประสงค์ได้รับผลกระทบมากที่สุด โดยอัตราผิดในคำที่ไม่ถูกแตะเพิ่มขึ้นได้ถึงสิบเท่าจากค่าฐาน ขณะที่ระบบ OCR ดั้งเดิมเพิ่มเพียงเล็กน้อย โมเดลที่เขียนคำเสียหายใหม่ในสัดส่วนสูงสุดก็มีการแพร่กระจายข้อผิดพลาดสูงสุดด้วย บ่งชี้ว่าพฤติกรรมทั้งสองเกิดจากการพึ่งพาบริบทภาษาแบบเดียวกัน
ในทางปฏิบัติ หมายความว่าข้อความเสียหายเพียงเล็กน้อยอาจลดความแม่นยำของเอกสารที่ส่วนอื่นสมบูรณ์ ทำให้คะแนนเกณฑ์ OCR บนข้อความสะอาดเป็นตัวชี้วัดที่ไม่น่าเชื่อถือสำหรับความซื่อสัตย์ในการถอดข้อความจริง
ผู้เขียนยังตรวจว่าความยาวคำมีผลต่อการเขียนใหม่หรือไม่ และพบว่าคำสั้นเปราะบางกว่าคำยาวอย่างมาก
เพราะมีเบาะแสทางภาพน้อย คำสั้นจึงเหมือนกระตุ้นให้ VLM พึ่งความรู้ภาษาจากบริบทมากขึ้น เพิ่มโอกาสที่ข้อความเสียหายจะถูกแทนด้วยคำที่ดูเป็นไปได้อย่างเงียบ ๆ แทนที่จะถูกถอดตามตัวอักษร ซึ่งอย่างหลังอาจเป็นสัญญาณเตือนที่มีประโยชน์ให้มนุษย์ตรวจสอบ
คำสั่งชัดเจนห้ามแก้ข้อผิดพลาดช่วยลดแนวโน้มนี้ แต่ไม่กำจัดได้ ผลลัพธ์บ่งชี้ว่าการถอดความเชิงตีความเป็นคุณลักษณะโดยธรรมชาติของ VLM ปัจจุบัน มากกว่าจะเป็นพฤติกรรมที่ควบคุมได้อย่างน่าเชื่อถือด้วยพรอมป์เพียงอย่างเดียว
ผู้เขียนสรุปว่า “สำหรับงานที่ต้องการการถอดข้อความตรงตัว เช่น การประมวลผลเอกสารกฎหมาย การแปลงต้นฉบับประวัติศาสตร์เป็นดิจิทัล และนิติวิทยาศาสตร์ ระบบ OCR แบบดั้งเดิมหรือ VLM เฉพาะทาง OCR ที่เลือกอย่างระมัดระวังยังเป็นตัวเลือกที่ปลอดภัยที่สุด ขณะที่ VLM อเนกประสงค์นำการเขียนใหม่อย่างเป็นระบบเข้ามา ซึ่งเกณฑ์ทดสอบบนข้อความสะอาดตรวจไม่พบ”
บทสรุป
งานศึกษานี้ย้ำประเด็นที่เกิดซ้ำในวรรณกรรม LLM ว่า แม้ VLM ที่ผ่านการฝึกจะทรงพลังอย่างมาก แต่มันก็ต่อต้านคำสั่งสำคัญ ในกรณีนี้คือ “อ่านและแยกตัวอักษรที่พบในภาพ”
ดูเหมือนโมเดลที่ก้าวหน้ากว่าจะทำเพียงเท่านั้นไม่ได้ ราวกับมองว่าเป็น “งานจิปาถะ” หรือถูกบังคับอย่างไร้เหตุผลให้ทำ “งานที่ค้างครึ่งหนึ่ง” ให้เสร็จสมบูรณ์
* ผู้เขียนบทความนี้แปลงการอ้างอิงแบบอินไลน์ของผู้วิจัยให้เป็นไฮเปอร์ลิงก์
เผยแพร่ครั้งแรกวันจันทร์ที่ 27 กรกฎาคม 2026












