#OCR
共 22 篇相关文章
DPP协议发布：用140条规则统一文档解析标准
Document Parsing Protocol（DPP）提出140条文档解析规则，覆盖表格、表单、图表等歧义场景，可作为评估LLM解析质量的评分标准，弥补现有OCR基准偏好单一风格的缺陷。
Unlimited OCR 2：单次解析百页文档，计算成本恒定
Unlimited OCR 2 通过稀疏参考滑动窗口注意力（SR-SWA）与无限视野解码，将超长文档解析的单步计算成本固定为恒定值，百页量级相对全注意力实现 7.0 倍单步加速，并在 MPDocBench 与新建的 MarathonDocBench 上取得当前最优表现。
OXR：1.3B开源文档解析模型登顶三大基准
OXR是SoMarkAI开源的1.3B文档解析模型，支持PDF和图片转Markdown/JSON，可识别13类元素并输出版面坐标，在olmOCR-Bench、OmniDocBench、DocParsingBench三大基准登顶，100页解析仅需101秒。
百度开源 Unlimited OCR 2：3B 模型单次解析百页文档
百度开源 Unlimited OCR 2，3B 参数、MIT 许可证的 OCR 模型，通过 SR-SWA 注意力实现单次请求解析上百页文档，每步解码开销近乎恒定，MarathonDocBench 得分 77.1。
百度发布Unlimited OCR 2：SR-SWA实现无限长文档解析
百度发布Unlimited OCR 2，采用稀疏参考滑动窗口注意力SR-SWA，将超长文档的文本-视觉注意力压缩至固定参考集，实现解码延迟与内存几乎不随文档长度增长，并在MPDocBench、MarathonDocBench等基准上达到SOTA。
Benchpress：别信OCR榜单，用自己的文档实测
Benchpress 是一个 OCR 模型对比工具，支持上传一页文档同时测试多家主流 OCR 和文档 AI，对比识别准确率、速度与成本，帮助开发者用真实文档做选型。
用Gemma本地识别巴拿马小票，自动生成税务表格
开源项目Cuadre用本地运行的Gemma模型识别巴拿马纸质小票，自动提取RUC、ITBMS等字段并生成税务表格CSV。模型只负责转录，代码负责计算，数据不出本机，适合会计师和自由职业者批量处理收据。
构建印地语扫描件RAG助手：OCR与混合检索实战
开发者Abhishek分享构建印地语和英语扫描版大学通知RAG助手的经验：OCR质量决定一切，混合检索与重排序提升效果，引用和审批工作流等工程细节才是产品可信的关键。
Invoice AI：拍照即得商业智能，开源AI分析师来了
Invoice AI 是一个开源项目：用 PaddleOCR 提取发票信息，经交叉校验后存入数据库，再通过 Gemma 4 对话助手以自然语言回答供应商支出、月度趋势等经营问题，让小微企业零门槛获得商业智能。
InvoiceSnap AI：本地AI将收据照片转为结构化支出表
InvoiceSnap AI是一个开源本地收据扫描工具，结合Tesseract OCR与Ollama运行的Gemma模型，自动提取商户、日期、金额和类别，支持编辑与CSV导出，注重隐私与低成本。
智能体OCR如何玩转三百万页混乱扫描文档
Reducto团队在B站分享如何用智能体OCR处理三百万页扫描文档，支撑J-Mail等产品。解析光栅化技术路线、抽取Schema配置、涂黑失效与评测难题，揭示企业非结构化文档处理的真实挑战。
Strukku：开源权重模型驱动的自由职业者收据记账工具
Strukku 是一个为自由职业者和小店主打造的开源收据记账工具，基于 Gemma 开源权重视觉模型，通过拍张收据照片自动提取供应商、日期、金额等信息并生成 CSV 账本，专攻多语言手写收据识别。
Datalab开源OmniParseBench：16288项OCR测试审计文档解析器
Datalab 发布开源 OCR 基准 OmniParseBench，包含 16288 项判题测试，覆盖 2937 个页面、92 种语言。通过率可按标签、脚本或语言切片，让文档解析器的评测结果真正可审计、可复现。
文档转换：被忽视的效率工具，如何融入AI工作流
文档转换长期被开发者生产力讨论忽视，但它直接影响数据入口效率。本文分析OCR在开发者工作流中的位置、LoveOCR等轻量方案的适用场景，以及将图像转结构化数据纳入自动化体系的三条原则。
截图里的数据困局：OCR 如何把图像变回可用数据
截图让信息保存变简单，却让信息使用变困难。本文拆解一条完整的 OCR 工作流：从图像提取、格式转换（JSON/CSV/XML/YAML）到结果校验，说明为什么格式转换才是把截图数据变成可用数据的关键一步。
Verdandi：文档智能开源工具，成本仅为Azure的十分之一
前安永分析师开源文档智能平台Verdandi，基准测试对比Azure Content Understanding：字段准确率97% vs 96.2%，成本低9.7倍，支持本地OCR、跨文档验证和人工复核流程。
OpenDocRouter发布：统一API聚合130+文档解析模型
OpenDocRouter发布：统一API聚合130+文档解析模型
OpenDocRouter 发布，提供统一的文档解析 API，聚合 130+ 前沿与开源 OCR/VLM 模型，支持成本价调用、速率限制管理、边界框版面服务及自动路由，解决文档解析模型选型难题。
文档定位新方案：PDF几何+OCR+视觉证据实现72.6% Word F1
一位开发者公开了基于PDF几何坐标、OCR空间信息、格式匹配与视觉证据的文档定位方案，实现72.6% Word Grounding F1，并深入分析了密集布局、标注约定等失败案例。
