多语种 OCR 的跨语言迁移学习是如何工作的？

1. 共享表征学习

跨语言迁移学习的基础是多语言预训练模型（如 mBERT、XLM-RoBERTa 等）能够学习跨语言共享的通用特征表示。这些模型在大规模多语言语料上预训练后，可迁移到多种下游文字识别任务，减少对各语种单独标注数据的依赖。

2. 零样本与少样本迁移

对于标注数据稀缺的低资源语言，可将高资源语言上训练的模型直接迁移应用（零样本迁移），或使用少量目标语言样本进行微调（少样本迁移）。有研究表明，部分文档 AI 系统仅需少量微调样本即可在目标语言上达到较高准确率，大幅降低新语种的适配成本。

3. 预训练模型加任务适配层

在工程实践中，通常使用多语言预训练模型提取通用语言特征，再通过任务特定层适配不同文字的识别需求。这种方案在老挝文、哈萨克文等低资源语言上表现优异，避免了从零训练带来的数据与算力开销。