OCR
光学字符识别（Optical Character Recognition，OCR）是一种将图像中的印刷体或手写文字转换为可编辑、可搜索的数字文本的技术。其核心原理是通过图像处理与模式识别算法，识别扫描文件、照片、PDF等图像中的字符信息。OCR广泛应用于文档数字化、票据识别、证件信息提取等场景，是计算机视觉与自然语言处理的重要交叉技术。
Core Facts
Timeline (last 90 days)
文档理解模型（Document Layout Analysis）是专门训练用于检测文档区块类型的计算机视觉模型，与通用OCR的核心差异在于输出的是结构而非仅仅是字符序列
扫描版PDF需要先经过OCR步骤才能进入解析流程，这会额外引入识别误差
历史语料的OCR错误往往呈现系统性规律，如特定字母对'rn'被识别为'm'的混淆频繁出现
大模型会对图像内容进行推断性补全，在OCR任务中可能导致幻觉式识别，把实际不存在的字符理解进去，与需要高保真度的文档录入场景形成矛盾
OCR是一类长期被遗留系统和脆弱方案所主导的用例，可通过施加恰到好处的智能体智能同时实现更高的准确率与更低的成本
前沿大模型在OCR任务上同时存在过度工程化和能力不足的矛盾：用顶尖模型处理普通文档是资源浪费，而在复杂长尾案例上又表现吃力
知识库通常无法直接存储和检索图片本身，需要先通过OCR或多模态识别将图片内容转为可检索文本
OCR几何信息存在固有误差，扫描倾斜、分辨率不足或复杂背景都可能导致边界框偏移或词语切割不准确
现代OCR系统如Tesseract、Google Document AI、AWS Textract会提供行、词乃至字符粒度的空间坐标以及置信度分数
当PDF是扫描件或图片型文档时，字符坐标不可用，需要依赖OCR识别结果及其空间几何信息来补充定位依据
40 more timeline events
All Facts (20)
GPT-4V、Claude 3、Gemini是现代多模态大模型的代表，能够同时处理文本、图像等多种数据类型
90%Verified现代OCR引擎如Tesseract和ABBYY FineReader在纯文字识别上已达到95%以上的准确率
80%Verified自动车牌识别系统（ALPR）通过高分辨率摄像头自动捕捉过往车辆的车牌，并将车牌号、时间戳、地理位置等信息存入数据库
65%VerifiedOCR（光学字符识别）是一项将图像中的印刷或手写文字转化为可编辑数字文本的技术，起源于20世纪50年代
65%Verified基于多模态大模型的OCR方案在处理复杂排版、手写体、多语言混排等场景时往往比传统OCR方案表现更好
65%Verified当前主流OCR方案在标准印刷体上识别准确率已超过99%
65%UnverifiedALPR technology combines Optical Character Recognition (OCR) with infrared imaging to read license plate information under various lighting and weather conditions
90%Unverified多模态大模型的推理成本远高于传统OCR引擎
90%Unverified该工具集成了OCR光学字符识别功能，能够自动识别屏幕上的文字内容
85%UnverifiedPrescription parsing typically follows a two-stage process: an OCR engine converts the prescription image into raw text, then a large language model performs semantic extraction
80%UnverifiedAI prescription parsing typically combines OCR with LLM-based information extraction to convert prescription details into structured medication reminder plans
80%Unverified该项目使用OCR和图像识别替代传统的内存读取方式进行游戏状态感知，优势在于不需要逆向分析游戏内存结构，也不容易触发反作弊系统的检测
80%Unverified针对幻觉的检测需要独立于准确率之外的专项评估机制，例如对比模型输出与原始OCR文本的字面对应关系
70%Partially VerifiedOCR对印刷体识别率尚可，但对手写体和小字号文本识别准确率明显下降，依赖手写场景的慎选
70%Partially Verified导出格式看是否支持可搜索PDF（PDF+隐藏OCR文本层），只导出图片PDF的机型无法后续检索文字内容，归档需求必须确认此功能
65%UnverifiedPDF本质上是一种打印导向的格式，关注像素在纸面上的呈现位置而非文本的逻辑结构
60%UnverifiedOCR对艺术化字体、严重变形的文字或与背景融合的设计识别准确率会大幅下降
60%Unverified多模态大模型可根据上下文语义推断被部分遮挡的文字，识别准确率和鲁棒性远超传统OCR方案
60%UnverifiedOCR技术最早可追溯到1920年代的光电投票机和盲人阅读设备
60%UnverifiedCLIP等技术建立的文本-图像语义对齐使模型能将抽象风格描述映射到具体视觉特征空间
60%