#3楼2026-11-06 13:04
我们做过类似项目,关键是不要让模型直接改字,而是先建异体字表和通假字表做候选约束。流程是 OCR 或录入后先保留原字形,模型只输出归一化候选和置信度,置信度低于阈值的、涉及人名地名和关键术语的,一律进人工复核队列,而不是自动替换。通假字不能只看字形,要结合上下文和版本对勘,同一个字在不同篇章可能通假不同,字表里要带上出处和例句。人工校对量我们实测大约是全文的 15% 到 25%,异体密度高的章节会到 40%,建议按章节抽样先估算,再排校对人力。最后成果一定要双栏保留原字和归一字,方便后人核对。