术语slug: ocr

光学字符识别

OCR

从图像或 PDF 中提取文字的技术,此处作为独立 API 提供

收录情报动态

共 20 篇 · 第 1/2 页
IT之家 · 智能时代T2·开发与工程
72 分
开源 OCR 模型将古籍数字化成本降至每千页 0.1 美元

Hugging Face 研究员 Daniel van Strien 在 850 页历史书籍与档案上对比测试了 8 款开源 OCR 模型,结果显示识别 1000 页的成本已从 2025 年 4 月 RolmOCR 的约 0.51 美元降至 2026 年 10 月 LightOnOCR-3-0.8B 的不足 0.1 美元,百万页规模仅需 65 至 130 美元 GPU 租赁费。研究同时指出,优化任务调度、缩小扫描图像尺寸与升级软件带来的成本节省,可与更换新一代模型相当甚至更多。

The DecoderT2·开发与工程
72 分
开源 OCR 成本 18 个月降 5 倍 百万页仅需 130 美元

Hugging Face 的 Daniel van Strien 在相同 GPU 环境下对比了 8 个开源 OCR 模型,发现处理 1000 页的成本从 2025 年 4 月 RolmOCR 的约 51 美分降至 2026 年 10 月 LightOnOCR-3-0.8B 的不足 10 美分,18 个月内成本下降约 5 倍。按此推算,数字化 100 万页的 GPU 租用成本已降至 65 至 130 美元区间,古籍与档案大规模文本化门槛显著降低。

Rohan Paul (@rohanpaul_ai)T2·开发与工程
72 分
DeepSeek 开放完整应用能力 API 含搜索与语音

DeepSeek 将自家 App 背后的完整能力通过 API 开放,开发者用少量参数即可启用联网搜索、文件与 PDF 解析、链接读取、内容安全过滤和语音能力,也可单独调用 OCR、ASR、TTS 等独立接口。官方同时提供开源前端 Demo,支持导入 DeepSeek 历史对话,意味着开发者可近乎复刻整个 DeepSeek App。

量子位官网T2·基座大模型
85 分
国产开源 OXR 登顶 OCR 三榜,1.3B 模型重塑文档解析

国产开源模型 OXR(Optical Everything Recognition)以仅 1.3B 参数量在 OmniDocBench、olmOCR-Bench 等三大权威文档解析榜单中取得全球第一。该模型引入 RSI(递归自我改进)机制,显著提升了复杂版面、手写公式及化学结构图的识别精度与速度,单卡 RTX PRO 6000 处理百页文档仅需 101 秒,为 Agent 基础设施提供了高质量上下文提取能力。

新智元 (微信公众号)T2·基座大模型
78 分
面壁智能开源 MiniCPM-OCR,1.3B 小模型夺全球四项第一

面壁智能发布并开源首个 OCR 专用模型 MiniCPM-OCR 1.0。该模型仅含 1.3B 参数,却在解析能力与效率两项指标上超越大厂模型,夺得全球第一。此次发布标志着小参数模型在垂直文档理解领域实现了对传统大模型的“逆袭”,提供了极具性价比的开源替代方案。

Hacker News AIT2·开发与工程
35 分
Unsiloed 与 TypeSafe Jev 集成:通过类型化问答校验 OCR 提取字段以拦截下游数据错误

该教程展示了如何将 Unsiloed 的结构化文档提取能力与 TypeSafe Jev 的类型化问答引擎结合,以解决 OCR 识别正确但语义逻辑错误的痛点。Jev 通过定义状态(State)和具体问题(Questions),返回概率值或枚举选择等强类型答案,从而自动标记需人工复核的字段。文章提供了基于 Token 用量的成本估算示例,强调了在数据管道中引入独立验证层的重要性。