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。
核心事实
时间轴 (近 90 天)
早期的截图转代码实现方式依赖OCR和行为克隆，准确率有限；新一代工具借助大模型的代码生成能力，可以直接输出语义化的结构代码。
OCR 是将图片中的文字转换为可编辑、可搜索文本的技术，漫画 OCR 因文字沿气泡曲线排布、字体风格化等问题尤其困难。
跨平台食谱抓取涉及对非结构化数据的解析，常见技术路径包括无头浏览器提取结构化数据、OCR、平台API和大语言模型信息抽取。
基于嵌入的语义搜索对扫描件或手写内容若无 OCR 预处理，效果会大幅下降。
当 AI 通过截屏加 OCR 或视觉模型来“理解”界面时，等于把已经结构化的数据重新降维成像素，再由模型反向推断语义，造成算力与延迟的双重浪费。
当前主流智能体实现方式包括浏览器自动化（如 Playwright）、桌面控制（模拟鼠标键盘）和屏幕理解（OCR、视觉定位）。
在 OCR 单字符串提取任务中，Gemini 4 Argon 能处理低分辨率、反光、小字体等困难场景，但面对机械式电表等需推理的案例仍会出错。
对于复杂PDF，OCR面临多重挑战：多栏布局容易导致阅读顺序错乱，表格和图表需要结构还原而非简单文字提取，脚注和页眉页脚可能被误识别为正文。
早期的字符型验证码已被OCR和机器学习大量攻破，因此逐步演进为行为分析与风险评分相结合的“无感验证”。
Spinachi AI 的 AI 识别报告内容依赖 OCR 与结构化提取，将图像或 PDF 中的文字转换为结构化数据。
还有 40 条时间轴事件
全部知识事实 (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%已验证现代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%已验证OCR 准确率通常使用字符错误率（CER）和单词错误率（WER）两个指标衡量
75%已验证视觉语言模型(VLM)能够同时处理图像和文本信息,建立两者之间的语义关联
75%已验证自动车牌识别系统（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%已验证PDF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
65%已验证深度学习时代基于CNN和RNN的端到端模型（如CRNN架构）大幅提升了OCR识别能力，近年Transformer架构也被引入OCR领域
65%已验证传统OCR技术擅长将图像文字转换为机器可读文本，但对文档语义结构的理解能力有限
65%已验证OCR（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%已验证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%已验证当前主流OCR方案在标准印刷体上识别准确率已超过99%
65%待验证ALPR technology combines Optical Character Recognition (OCR) with infrared imaging to read license plate information under various lighting and weather conditions
90%待验证多模态大模型的推理成本远高于传统OCR引擎
90%待验证该工具集成了OCR光学字符识别功能，能够自动识别屏幕上的文字内容
85%待验证Prescription 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%待验证AI prescription parsing typically combines OCR with LLM-based information extraction to convert prescription details into structured medication reminder plans
80%待验证该项目使用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%待验证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%待验证OCR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%待验证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%