多模态AI转录开罗genizah：右向左语言的VLM微调实践

当古老手稿遇见多模态AI

开罗genizah（Cairo Genizah）是中世纪犹太社区遗留的海量手稿文献库，涵盖希伯来语、阿拉米语等多种从右向左书写的语言。这批文献对研究中世纪地中海世界的宗教、商业与日常生活具有不可替代的价值，但其数量庞大、书写潦草、年代久远，人工转录工作长期是学界的瓶颈。

近期一篇技术文章探讨了如何通过微调视觉语言模型（Vision-Language Models, VLM）来自动转录这类文献，为数字人文领域提供了新的工具思路。文章同时提供了免付费墙的阅读链接，让更多研究者能够直接接触这一方法的技术细节。

开罗Genizah（字面意思为"存放库"）于1896年在开罗本以斯拉犹太会堂的储藏室中被发现，保存了约30万份从9世纪至19世纪的文献碎片，现分藏于剑桥大学、牛津大学等机构。这批文献涵盖宗教典籍、私人信件、商业合同乃至购物清单，是研究中世纪地中海犹太社区日常生活的第一手资料。其中尤为珍贵的是大量用犹太-阿拉伯语（Judeo-Arabic，以希伯来字母书写阿拉伯语）写成的文本，以及迈蒙尼德（Maimonides）的亲笔手稿。由于年代跨度大、书写者众多、字体风格迥异，这批文献的人工转录进展极为缓慢——即便是专业学者，一生能够整理的碎片也极为有限。

右向左语言为何是难点

当前主流的多模态模型和OCR系统大多以拉丁字母、从左向右书写的语言为训练重心。希伯来语、阿拉伯语这类从右向左（Right-to-Left, RTL）书写的语言，在训练数据覆盖、字符分割、文本行排序等环节都存在天然劣势。

具体困难体现在几个方面：手写体字符形态变化大，连笔与缩写普遍；RTL语言的文本方向与模型默认的解码顺序相悖，容易出现字符顺序错乱；历史手稿往往伴随墨迹褪色、纸张破损、页边注释等噪声，进一步增加了识别难度。这些因素叠加，使得通用VLM在未经专门调优时表现不佳。

微调VLM的技术路径

文章的核心贡献在于验证了对现有视觉语言模型进行领域微调（fine-tuning）的可行性。相较于从零训练专用OCR模型，微调VLM能够复用大模型已有的视觉理解与语言生成能力，在相对有限的标注数据下实现对特定文献类型的适配。

这一思路的价值在于，VLM将图像识别与语言理解统一在同一框架内，不再需要分离的字符检测、分割、识别流水线。对于手写、残缺、排版不规则的历史文献，端到端的多模态方法往往比传统分步OCR更具鲁棒性。微调过程中对RTL语言方向的处理，是决定转录质量的关键环节。

视觉语言模型（VLM）是将图像编码器与大型语言模型联合训练的多模态架构，代表性模型包括GPT-4V、LLaVA、Qwen-VL等。其核心思路是通过交叉注意力或特征拼接，让语言模型能够"看懂"图像内容并生成对应文本。在OCR类任务中，VLM相较于传统流水线的优势在于：它不需要预先定义字符集或分割规则，而是将图像整体输入后直接输出文字序列，天然适应布局不规则、字符集开放的历史手稿场景。领域微调（domain fine-tuning）通常采用少量高质量的图文对（手稿图像+人工校对转录文本）对预训练模型进行参数更新，常见方法包括全量微调、LoRA等参数高效微调技术，后者可在消费级GPU上完成训练，大幅降低了人文研究机构的技术门槛。

对数字人文的意义

将多模态AI应用于古籍转录，意味着大量此前难以数字化的文献有望被纳入可检索、可分析的数据集。对历史学、宗教学、语言学研究者而言，这不仅是效率的提升，更可能打开新的研究维度——批量转录后的文本可用于语料分析、跨文献比对与知识图谱构建。

同时，这项工作也提示了一个更普遍的方向：针对低资源、非主流书写系统的AI适配，正在成为多模态模型落地的重要课题。开罗genizah的转录实践，可以视为RTL语言乃至更多小语种文献数字化的一个方法论样本。

数字人文（Digital Humanities）领域已有若干大规模古籍数字化项目积累，如Transkribus平台通过众包标注与HTR（手写文字识别）技术处理欧洲历史档案，但这些工具对RTL语言和非拉丁字符系统的支持仍相当有限。批量转录后的结构化文本可进一步与地理信息系统（GIS）结合，复原中世纪贸易网络；或通过命名实体识别（NER）提取人名、地名，构建人物关系图谱。开罗Genizah的数字化实践也与更广泛的"濒危语言与文化遗产AI保护"议题相呼应——世界各地博物馆和档案馆中存有大量尚未数字化的非主流语言文献，VLM微调路径的可复制性，意味着这一方法有望以相对低廉的成本推广至更多语言文化传统。

小结

受限于原始素材信息量，本文无法深入呈现具体的模型选型、数据规模与量化评测结果。但从公开的方法框架看，用微调VLM处理右向左手写文献，代表了多模态AI在专业垂直领域的一次有价值的探索。有兴趣的读者可通过原文提供的免费链接进一步了解技术细节。