ICDAR 2026 HIPE-OCRepair Competition on LLM-Assisted OCR Post-Correction for Historical Documents

Stellen Sie sich eine riesige, staubige Bibliothek vor, in der Millionen alter Zeitungen und Bücher in Computer gescannt wurden. Das Problem? Die Maschinen, die den Text lesen (genannt OCR), sind wie müde, kurzsichtige Bibliothekare aus den 1990er Jahren. Sie kneifen die Augen zusammen beim Anblick verblasster Tinte, verwirrt von altmodischen Schriftarten und zerrissenem Papier, und geben oft Kauderwelsch statt der echten Wörter ein. Jahrzehntelang bedeutete das Beheben dieses Problems entweder, die ganze Bibliothek neu zu scannen (unmöglich) oder zu versuchen, jeden Tippfehler manuell zu korrigieren (zu langsam).

Hier kommt der HIPE-OCRepair-2026-Wettbewerb ins Spiel, eine hochkarätige Herausforderung, bei der Teams von KI-Experten ihre neuesten „Super-Bibliothekare“ engagierten: Large Language Models (LLMs). Dies sind die geistesreichen, kontexthungrigen KIs, die einen Satz lesen und mit unglaublicher Flüssigkeit erraten können, was als Nächstes kommt. Das Ziel? Zu sehen, ob diese digitalen Genies die unordentlichen, tippfehlerreichen Transkripte bereinigen können, ohne sie dabei noch schlimmer zu machen.

Der große Test: Kann die KI das Chaos beseitigen, ohne es kaputt zu machen?

Die Organisatoren entwickelten ein kniffliges Spiel. Sie gaben den KI-Teams verrauschten, fehlerhaften Text aus historischen Dokumenten in Englisch, Französisch und Deutsch, die bis zurück in die 1600er Jahre reichen. Der Haken? Die KI musste den Text korrigieren, ohne das Originalbild der Seite zu sehen. Es war, als versuche man, einen zerrissenen Brief allein durch das Lesen einer verschwommenen Fotokopie zu reparieren, ohne das Original zum Vergleich zu haben.

Die Teams mussten unglaublich vorsichtig sein. Wenn eine KI „halluzinierte“ – das heißt, sie erfand selbstbewusst ein Wort, das gar nicht da war, oder „modernisierte“ eine alte Schreibweise, damit sie heute cool klingt – fiel sie durch den Test. Das Ziel war nicht, die Geschichte umzuschreiben; es ging darum, die exakten Wörter wiederherzustellen, die der Autor geschrieben hatte, nur eben ohne die Fehler des Scanners.

Die Ergebnisse: Ein Team dominiert, aber es ist kein Zauberstab

Nachdem sich der Staub gelegt hatte, waren die Ergebnisse eindeutig, aber nuanciert.

Der Champion: Das Team BnF-Mistral belegte den ersten Platz, und sie haben nicht nur gewonnen, sie haben dominiert. Ihr Erfolgsgeheimnis war nicht nur die Verwendung einer smarten KI; es war, als hätte man dieser KI ein massives, spezialisiertes Trainingslager gegeben. Sie nahmen ein Modell mit 24 Milliarden Parametern (ein riesiges Gehirn) und fütterten es mit Milliarden von Tokens historischer französischer Dokumente aus der Zeit vor 1900, und führten dann ein spezielles Fine-Tuning auf den Wettbewerbsdaten durch. Sie bauten sogar eine „Judge-and-Retry“-Schleife (Beurteilen-und-Wiederholen) auf, bei der die KI ihre eigene Arbeit überprüft, feststellt, ob sie halluziniert, und es bis zu dreimal erneut versucht.

Die Zahlen zeigen, wie effektiv dies war. Bei den Testdatensätzen reduzierte das BnF-Mistral-Team die Fehlerrate (genannt cMER) erheblich. Zum Beispiel senkten sie bei einem verrauschten deutschen Datensatz die Fehlerrate von 0,0546 auf 0,0082. Bei einem französischen Datensatz gingen sie von 0,0184 auf 0,0040 zurück. Auf gut Deutsch: Sie verwandelten einen Text, der kaum lesbar war, in etwas fast Perfektes.

Die Zweitplatzierten: Andere Teams probierten unterschiedliche Strategien aus. Ein Team, BLOCR, nutzte einen „Zero-Shot“-Ansatz, was bedeutet, dass sie einfach eine vortrainierte KI baten, den Text ohne spezielles Training zu korrigieren, wobei sie sich auf clevere Anweisungen verließen. Sie schnitten ziemlich gut ab, besonders bei englischen Texten, konnten aber das schwer trainierte BnF-Mistral-Team nicht einholen. Ein anderes Team, L3i, versuchte das Fine-Tuning eines kleineren Modells, schnitt aber nicht so gut ab wie die Schwergewichte.

Die „Keine-Änderung“-Baseline: Es gab auch ein „Nichts-tun“-Team. Sie gaben den unordentlichen Text einfach so zurück, wie er war. Überraschenderweise war bei den saubersten, am wenigsten verrauschten Dokumenten das „Nichts tun“ tatsächlich eine gute Strategie. Warum? Weil die schicken KIs manchmal zu eifrig wurden. Wenn der Text bereits zu 99 % korrekt war, korrigierte die KI manchmal „übermäßig“ (over-correcting), indem sie ein korrektes, altmodisches Wort in ein modernes änderte oder ein Wort löschte, von dem sie glaubte, es sei ein Fehler. Dies lehrte die Forscher eine wichtige Lektion: Mehr KI ist nicht immer besser, wenn die KI zu selbstbewusst wird.

Was das Paper ausschließt (und was nicht)

Das Paper ist sehr deutlich darüber, was dieser Wettbewerb nicht bewiesen hat.

• Es ist keine „Alles-Heilmittel“-Lösung: Das Paper stellt explizit fest, dass LLMs zwar großartig sind, aber keine Wunderwaffe darstellen, die jedes Problem sofort löst. Die Leistung variierte stark je nach Sprache, Dokumententyp und wie unordentlich der ursprüngliche Scan war.
• Es geht nicht um perfekte historische Bewahrung: Das Bewertungssystem wurde für die Auffindbarkeit (Searchability) entwickelt, nicht um jedes winzige historische Detail (wie seltsame alte Interpunktion oder Zeilenumbrüche) zu bewahren. Das Paper argumentt, dass für das Finden von Dokumenten in einer Bibliothek wichtiger ist, die Wörter richtig zu bekommen, als das Layout perfekt zu halten. Wenn eine KI also einen seltsamen Bindestrich glättete, um ein Wort auffindbar zu machen, war das ein Erfolg, auch wenn es der ursprünglichen Seite gegenüber nicht „diplomatisch“ getreu war.
• Es ist noch nicht gelöst: Die Autoren betonen, dass die „Überkorrektur“ bei sauberem Text weiterhin eine wiederkehrende Herausforderung ist. Sie fanden keinen Weg, KIs perfekt davon abzuhalten, zu kreativ zu werden, wenn sie es nicht sein sollten.

Das Fazit für einen neugierigen Teenager

Stellen Sie sich diesen Wettbewerb wie einen Autoreparatur-Wettbewerb vor. Die „Autos“ waren Millionen alter, kaputter Text-Transkripte. Die „Mechaniker“ waren KI-Modelle.

• Das BnF-Mistral-Team war wie ein Mechaniker, der jahrelang alte Motoren studiert hat und einen kompletten Werkzeugkasten mitbrachte. Sie reparierten die Autos so gut, dass sie fast wie neu waren.
• Die Zero-Shot-Teams waren wie Mechaniker, die einfach mit einem allgemeinen Handbuch auftauchten und sagten: „Ich versuche es mal.“ Sie machten einen guten Job, konnten aber die Spezialisten nicht erreichen.
• Die Baseline war der Mechaniker, der sagte: „Das ist doch gar nicht so kaputt, ich lasse es einfach so.“ Und bei den am wenigsten kaputten Autos hatten sie recht!

Die wichtigste Erkenntnis ist, dass spezialisierte, gut trainierte KI den Zugang zu unserer Geschichte massiv verbessern kann, indem sie unlesbare Scans in durchsuchbaren Text verwandelt. Aber das Paper warnt uns: Wir müssen vorsichtig sein. Wenn wir diese KIs ungebremst laufen lassen, könnten sie anfangen, Dinge zu „korrigieren“, die gar nicht kaputt waren, und so die Geschichte verändern. Die Zukunft digitaler Bibliotheken hängt davon ab, den perfekten Mittelpunkt zu finden, an dem die KI klug genug ist, um Tippfehler zu beheben, aber bescheiden genug, um die Geschichte unberührt zu lassen.