新加坡超级应用程序公司 Grab 近日在其工程博客上分享了其自研语言模型的开发经历，指出现有的大型语言模型在理解东南亚语言时表现不佳。Grab 的超级应用程序提供打车、外卖、购物和金融服务等功能，覆盖新加坡、马来西亚、印尼、菲律宾、越南、泰国、柬埔寨和缅甸等国家，这些地区的文档通常使用非拉丁字母的脚本。

图源备注：图片由AI生成

在执行如客户身份验证等合规工作时，Grab 需要准确提取身份证、驾照和注册证书等信息。尽管尝试过光学字符识别（OCR）系统，但 Grab 发现这些技术在处理多样化的文档模板时效果不理想。

在2025年，Grab 开始探索是否可以利用大型语言模型来解决这一问题。尽管一些强大的商业模型具备能力，但在理解东南亚语言时常出现错误和延迟，而开源的视觉大型语言模型虽然更高效，但准确性仍不足。因此，Grab 决定自行构建一个视觉大型语言模型，该模型能将图像向量化，方便提取文本。

Grab 选择了阿里巴巴云的 Qwen2-VL2B 模型作为基础，因为它的体积适中，支持东南亚语言，并能动态处理不同分辨率的图像。随后，Grab 从 Common Crawl 中提取了东南亚语言的内容，并建立了内部合成数据管道，以生成各种字体和背景下的文本图像。团队采用低秩适配技术对 Qwen2-VL 进行微调，取得了在印尼文档处理上的良好效果。

尽管在泰语和越南语的识别上仍然存在挑战，Grab 最终决定进行完整参数微调。通过训练模型，使其学习东南亚语言的独特视觉模式，Grab 成功开发了一个轻量级的视觉大型语言模型，其表现超越了多种 OCR 工具和通用模型。Grab 表示，战略性地使用高质量数据，能够使小型专业模型实现高效与有效的结合。

未来，Grab 计划继续开发更多自有模型，以扩展其文档处理技术。

划重点:

📊 Grab 发现现有大型语言模型在东南亚语言识别上效果不佳，决定自研模型解决问题。  

🔍 自研的视觉大型语言模型在处理身份证和驾照等文档时取得了显著进展。  

🚀 Grab 将继续开发更多模型，以满足日益复杂的文档处理需求。