#OCR

共 6 篇相关文章

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。

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。

arXiv新论文提出GAD-RL方法，通过门控与衰减的在线策略蒸馏提升OCR转录忠实度，解决视觉语言模型擅自改写图像异常文本的问题，在CHAOS-Bench和OmniDocBench基准上显著超越GRPO基线。

一篇arXiv研究提出面向韩语发票的OCR模型，通过深度学习与图像预处理结合，在真实发票数据集上实现87%的F1值且处理耗时极低，为多语言文档信息抽取提供了实用思路。

表格中的空白单元格会导致OCR数值错位，进而破坏AI Agent的决策准确性。本文解析这一隐蔽陷阱的成因、下游影响及应对方法，并介绍LlamaParse等复杂文档解析工具的价值。

localOCR是一款基于Gemma-4、Llama 3.2等视觉语言模型的本地OCR开源工具，支持离线运行，保障数据隐私。本文详解其技术架构、多模型支持、适用场景及相比传统OCR的核心优势。