Le concours HIPE-OCRepair-2026, dans le cadre d'ICDAR 2026, a évalué l'efficacité des grands modèles de langage (LLM) pour corriger les erreurs OCR dans les documents historiques. Le concours visait à améliorer la recherche et l'accès aux collections numérisées en traitant les problèmes OCR hérités sans nouvelle numérisation.
- Les participants ont corrigé des transcriptions bruitées de journaux et d'ouvrages imprimés en anglais, français et allemand des 17e au 20e siècles.
- L'évaluation a utilisé une approche de score orientée vers la récupération plutôt qu'un score diplomatique pour refléter les cas d'utilisation pratiques.
- Quatre équipes ont soumis des systèmes allant du prompting zero-shot à la pré-entraînement continu et au fine-tuning.
- Les résultats ont montré que les systèmes modernes assistés par LLM améliorent considérablement la qualité OCR, bien que les performances varient selon les langues et les niveaux de bruit.
- La sur-correction sur les entrées à faible bruit a été identifiée comme un défi récurrent, soulignant le besoin d'évaluation au-delà de la réduction des erreurs de caractères.
Le jeu de données, le scoreur et le pipeline d'évaluation sont publiquement mis à disposition pour soutenir la recherche future dans ce domaine.