Open OCR Models Slash Historical Document Digitization to Under $0.1 per 1,000 Pages

Original title: AI 模型大幅降低古籍数字化成本:识别 1000 页内容费用已不到 0.1 美元
72AI Score

Hugging Face researcher Daniel van Strien benchmarked eight open OCR models on 850 pages of historical books and archives, finding the cost to transcribe 1,000 pages fell from about $0.51 with April 2025's RolmOCR to under $0.1 with October 2026's LightOnOCR-3-0.8B, putting a million pages at roughly $65-130 in GPU rental. The study also notes that pipeline optimizations such as balanced page scheduling, smaller scan images and software upgrades can match or exceed the savings from a newer model generation.

Full Report

IT之家 11 月 19 日消息,借助免费开放的 AI 模型,从扫描版书籍和档案中提取文字的成本已经大幅下降。

AI 模型大幅降低古籍数字化成本:识别 1000 页内容费用已不到 0.1 美元

Hugging Face 的丹尼尔 · 范斯特里恩(Daniel van Strien)对 8 款能够识别图像中文字的 AI 模型进行了对比测试。测试材料共计 850 页,包括旧版自然历史书籍、1771 年版《大英百科全书》,以及打字和印刷的历史档案文件。

所有模型均在同一款 GPU 上运行,即英伟达(Nvidia)RTX PRO 6000。这款显卡由范斯特里恩通过 Hugging Face 租用,费用为每小时 2.75 美元(IT之家注:现汇率约合 18.4 元人民币)。

测试结果显示,在图像尺寸相同的情况下,2025 年 4 月发布的最早一款模型 RolmOCR,每识别 1000 页内容的成本约为 0.51 美元(现汇率约合 3.4 元人民币);而 2026 年 10 月发布的最新模型 LightOnOCR-3-0.8B,成本已经降至不到 0.1 美元(现汇率约合 0.67 元人民币)。按照这一水平,识别 100 万页内容所需的 GPU 租赁费用约为 65 至 130 美元(现汇率约合 434.3 至 868.5 元人民币),具体取决于原始材料的类型。

AI 模型大幅降低古籍数字化成本:识别 1000 页内容费用已不到 0.1 美元

范斯特里恩指出,优化模型的运行方式所节省的成本,与更换更新一代模型带来的节省幅度相当,甚至可能更多。具体优化措施包括让页面处理任务分配得更加均衡、使用尺寸更小的扫描图像、更新软件,以及换用运行速度更快的 GPU。

在识别准确率方面,最新模型处理书籍页面时的表现至少不逊于最早的模型。不过,部分模型也存在明显问题,例如会在空白页面上凭空生成文字,或者反复输出相同内容。

扫描识别 1000 页内容的成本对比:最早的模型需要约 0.51 美元(现汇率约合 3.4 元人民币),最新模型已降至不到 0.1 美元(现汇率约合 0.67 元人民币),中间五款模型的成本则基本处于相近水平。