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。
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
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。
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。
Nace AI 推出文档解析器 Drex,采用决策模型对 OCR 结果逐块与原始页面图像比对,仅将不匹配片段回传修正。其 Parse Index 得分 0.834,超过 GPT-6 Astra 的 0.813,而每千页成本仅 7 美元,远低于后者的 70.57 美元。
百度正式发布并开源文心 Unlimited OCR 2 模型,将文档解析上限推向“无限”,可一次性处理超 3600 页内容。该模型原生支持版面切分与跨页合并,在 MPDocBench 和 MarathonDocBench 基准测试中均实现端到端 SOTA 性能。
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。
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。
国产开源模型 OXR(1.3B 参数)在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 三大权威榜单中均获第一。该模型利用 RSI 技术显著提升了复杂文档(如手写笔记、化学结构图)的解析能力,并在单张 RTX PRO 6000 上实现了 100 页文档仅需 101 秒的端到端处理速度。
Erwin Nieuwlaar 因在碳化的赫库兰尼姆卷轴 PHerc. 343 中首次识别出可读文字,获得维苏威挑战赛颁发的 5 万美元“首字母奖”。该成就基于虚拟展开与墨水检测技术,标志着 AI 辅助古文献解读从单一样本向多卷本规模化突破的进展。
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。