chujian-ocr-models

简AI · 古文字识别与出土文献研究智能体 —— 楚简检测识别模型与复现包

Chu bamboo-slip (战国楚简) character detection + recognition models, sealed evaluation packages and Docker reproduction bundles. GOAI 2026 世界人工智能开源大赛 · 赛道三「前沿探索 AI for Research」总决赛作品（队伍：炸酱面；北京师范大学文学院 王逸飞）。

本仓库是项目「从编联到考释的全链路架构（From token to text）」中 CV 检测识别环节 的权重、封板评测与提交物镜像。LLM 断句标点翻译与 RAG 考释部分的代码在 goai2026_final_20260920/code/。

1 · 模型

完整 SHA-256、镜像层摘要与代码目录摘要见 docker_reproduce_20260918/SEALED.json 与 SEALED_CONSISTENCY.md（封板 2026-09-19）。

流程：整简图 → 长简分段 → RF-DETR 检测字框 → 坐标逆变换去重 → 原图裁字 → ConvNeXt 识别 → 严式释文 +（宽式）读法。 输出每个字的原图框、top-k 候选与置信度，并按「红绿灯」（绿 = 高置信正确 / 黄 = 大体正确存疑 / 红 = 明显问题）供人工审计。

2 · 封板成绩（2026-09-19，四篇新出楚简评测集）

评测集：赵晓斌四篇论文公布的 66 幅图版 / 1,380 个 GT 框 / 1,148 个可评字（goai2026_submission_v1/benchmark/，即 chujian_fourpaper_benchmark_v1）。τ = 0.51，IoU = 0.5。

• 边界声明：四篇是监控验证集，不是盲测——识别侧曾用其分数做早停与检查点选择；检测侧检查点按内部 462 图协议选定。任何对外数字都应带这条说明。
• 宽严兼容 v2 与字形 v2 必须并列报告；不屏蔽占位符（--mask none）的数字只作参考。
• 复赛提交包（goai2026_submission_v1，公开权重 H2 + MAIN）的口径为检测 F1 90.80% / 端到端 73.19%（MAIN）→ 77.92%（E100），与封板口径不混算。
• 对照：2026 年 6 月复旦「金文识别」赛道第一名端到端 F1 80.1（据赛事公布）。

3 · 复现

CUDA 镜像（权重、冻结代码、评分器、GT 随镜像；图片运行时挂载）：

docker run --rm --gpus all --shm-size=1g \
  -v <chujian_fourpaper_benchmark_v1>:/data -v <outdir>:/out \
  chujian:best pipeline --images /data/images --gt /data/annotations/gt_boxes.jsonl --out /out
docker run --rm chujian:best verify        # 核对镜像层、权重 SHA、评分器与 GT

镜像 tgz 与构建文件：handoff_20260918/docker/、docker_reproduce_20260918/（Dockerfile、build.sh、download_weights.sh、THIRD_PARTY_LICENSES.md、COMPLIANCE.md、DATA_SOURCES.md）。

纯 CPU 一键冒烟（< 1 分钟，复算复赛口径指标与日志计数）：解压 goai2026_final_20260920/packages/…代码材料.zip 后

bash scripts/smoke_test.sh
bash scripts/reproduce_core.sh

只重算分数（不跑模型）：python3 tools/score_predictions.py --gt annotations/gt_boxes.jsonl --pred predictions/E100_sel212/predictions.jsonl（在评测包目录内）。

4 · 仓库目录

5 · 数据与开源边界

• 训练 / 评测数据集（同账号）：chujian-train-20260830、chujian-train-r2、chujian-eval-20260830、chujian-ocr-sources、chujian-ocr-shiwen-20260901、chujian-pipeline-archive。其中 2020 年前 已发表材料的 A 路坐标标注（由公开单字图代回原简反求）随包公开。
• 评测图版来自公开发表论文，使用本仓库任何派生物（裁图、叠框图、指标）时须按篇引用（GB/T 7714）：
  1. 赵晓斌. 荆州枣纸简《吴王夫差起师伐越》与清华简《越公其事》[J]. 出土文献, 2026(2): 1-6+183+191.
  2. 趙曉斌. 荆州棗紙簡《齊桓公自莒返于齊》與《國語·齊語》《管子·小匡》[J]. 出土文献研究, 2022: 100-107+5.
  3. 赵晓斌. 湖北荆州王家嘴M798出土战国楚简《孔子曰》概述[J]. 江汉考古, 2023(2): 43-48+56.
  4. 赵晓斌. 安大简《仲尼曰》与王家嘴简《孔子曰》对读[J]. 中国文化研究, 2025(1): 51-59.
• 版权受限材料：2020 年后出版书籍的 OCR 文本（如裘锡圭、李学勤文集）受版权限制，仅用于项目内部研究，不属于本仓库的开源内容。

6 · 许可证

• 提交包中新写的 tools/ 与 scripts/：MIT（见 goai2026_submission_v1/LICENSE，范围以该文件为准）。
• 模型权重与标注数据：许可证待项目方最终确定，当前仅供学术研究与比赛评测复现；商用请先联系作者。
• 第三方组件（RF-DETR、timm / ConvNeXt、DINOv3 预训练权重、PaddleOCR-VL、PP-DocLayoutV3 等）遵循各自上游许可证，清单见 docker_reproduce_20260918/THIRD_PARTY_LICENSES.md。

7 · 引用与致谢

王逸飞. 简AI：古文字识别与出土文献研究智能体——从编联到考释的全链路架构 [CP/OL]. 2026.
https://huggingface.co/Raphael2099/chujian-ocr-models

致谢：北京师范大学文学院于雨成提供仿真竹简；复旦金文识别比赛 orz、xmc、Darkscope 等队伍选手分享经验；早稻田大学计算机学院刘文军提供 CV 思路。

---

English summary. Detection (RF-DETR Medium, layout-augmentation arm v2, E90) and recognition (ConvNeXt-Large DINOv3, 9,629 classes, E100) models for Warring-States Chu bamboo-slip characters, with a sealed evaluation on 66 plates / 1,380 boxes from four recently published papers by Zhao Xiaobin: detection F1 96.14%, end-to-end F1 81.20% (loose/strict-compatible v2) and 76.50% (glyph v2). The four papers served as a monitoring validation set, not a blind test. Docker reproduction bundle, sealed SHA manifests, scoring tools and the competition submission mirrors are included. Tools/scripts are MIT (scoped); weights and annotations are research-only pending a final license; third-party components keep their upstream licenses.