模型
Donut
无需OCR的端到端文档理解模型，可直接从文档图像中提取结构化信息，无需依赖传统OCR预处理步骤
时间轴 (近 90 天)
10月13日
目前主流的开放权重视觉/文本模型包括Meta的Llama系列、Mistral、Qwen-VL、LLaVA以及专攻文档理解的Donut、LayoutLMv3；其权重可通过llama.cpp、Ollama、Transformers等运行时加载，断网即可工作。
待验证50%
10月13日
OCR路线常用Tesseract、PaddleOCR等工具先得到纯文本再交给语言模型判断字段；端到端的视觉模型（如Donut、Qwen-VL）则跳过显式OCR，直接从图像预测结构化输出。
待验证50%