This study investigated the synergistic effects of ordinary Portland cement (OPC) and silica fume (SF) in fly ash-based geopolymer mortar (FA-GPM). The research comprehensively evaluated the impact of replacing fly ash (FA) with varying proportions of OPC and SF on the flowability and mechanical properties of the geopolymer mortar (GPM). Furthermore, this study analyzed the interaction mechanisms of these effects by examining the microstructure and hydration products. The results showed that increasing amounts of SF initially enhanced but subsequently reduced flowability, while the inclusion of OPC consistently decreased it. The combination of SF and OPC significantly improved the mechanical performance and microstructure of the GPM. Optimal mechanical performance, with compressive strengths of 37.66 MPa at 7 days and 50.52 MPa at 28 days, was achieved by adding 10% SF and 20% OPC. Microstructural analysis revealed that using OPC and SF together enhanced the dissolution of alumino-silicate materials in the alkaline activating solution, leading to increased polymerization reactions in the GPM. This process resulted in the formation of calcium-alumino-silicate-hydrate (C-A-S-H) gel, sodium-alumino-silicate-hydrate (N-A-S-H) gel, and calcium-silicate-hydrate (C-S-H) gel, creating a denser structure with reduced porosity and enhanced mechanical properties. This study highlights the advantages of incorporating SF and OPC into FA-GPM, providing valuable insights for further research and practical applications of geopolymer materials.

Multi-modal models have shown appealing performance in visual recognition tasks, as free-form text-guided training evokes the ability to understand fine-grained visual content. However, current models cannot be trivially applied to scene text recognition (STR) due to the compositional difference between natural and text images. We propose a novel instruction-guided scene text recognition (IGTR) paradigm that formulates STR as an instruction learning problem and understands text images by predicting character attributes, e.g., character frequency, position, etc. IGTR first devises $\left\langle condition,question,answer\right\rangle$ instruction triplets, providing rich and diverse descriptions of character attributes. To effectively learn these attributes through question-answering, IGTR develops a lightweight instruction encoder, a cross-modal feature fusion module and a multi-task answer head, which guides nuanced text image understanding. Furthermore, IGTR realizes different recognition pipelines simply by using different instructions, enabling a character-understanding-based text reasoning paradigm that differs from current methods considerably. Experiments on English and Chinese benchmarks show that IGTR outperforms existing models by significant margins, while maintaining a small model size and fast inference speed. Moreover, by adjusting the sampling of instructions, IGTR offers an elegant way to tackle the recognition of rarely appearing and morphologically similar characters, which were previous challenges. Code: https://github.com/Topdu/OpenOCR .