多语场景文字识别一直不好做：多数语言缺少真实训练数据，一种语言一套识别器会抬高成本并累积误差；改走巨型视觉语言模型，成本高，且在不少文字上仍然不准。本文目标很明确——做一个全语种识别器，比分语言专家更简单，比VLM更轻，同时比两者更准。作者给出合成数据集TextMuSS-10M和脚本感知混合专家架构ScriptMoE。

数据和模型怎么设计

TextMuSS-10M覆盖10种文字、229种语言，用大规模合成场景文字，在真实样本不可得的地方提供相对均衡、充足的监督。ScriptMoE共享单一视觉编码器，把稠密解码器换成稀疏MoE块：图像级路由将每张图分发给top-2与脚本对齐的专家，共享专家吸收跨脚本知识。整条路径针对「一个模型服务多种文字」，而不是再堆一套独立识别器或整模VLM。

自建基准和端到端数字

在作者组装的TextMuSS-Bench（10种文字、10899张图像）上，ScriptMoE准确率82.06%，比最强STR基线高1.31个百分点。在CC-OCR端到端多语任务中，只把PP-OCRv5的识别器换成ScriptMoE，F1从65.71%升到80.89%，略高于最好VLM的80.73%，参数量只是后者的一小部分。摘要没有给出分文字细拆、真实数据规模和具体参数量。

我的判断

价值主要在工程取舍：用合成数据补长尾语言，用脚本感知稀疏专家避免「一语一模」和「整模VLM」两端，对现有OCR流水线是可替换识别头的改动。适用边界同样清楚。最高分来自作者自建合成基准，端到端优势来自一次识别器替换，STR提升只有1.31个百分点，相对VLM也只是F1微超。路由是否会分错脚本、合成文字与真实拍照的域差，材料均未提供证据。「一小部分参数」缺少具体数字，复现成本不好判断。可以把它当作多语场景识别模块的候选方案，不宜据此认为多语STR已经做成统一且稳健的生产模型。