#PaddleOCR
共 21 篇相关文章
·8 分钟
本地OCR准确率从60%提升到99%：流水线优化实战复盘
详解本地OCR识别准确率从60%提升至99%的完整优化过程，涵盖图像预处理、版面分析、后处理纠错等关键步骤，帮助开发者构建生产级本地OCR流水线。
阅读全文 →
·12 分钟
Termy评测：把游戏视频变成沉浸式语言学习课堂
Termy是一款桌面语言学习工具，通过屏幕识别技术将游戏、视频和网站中的生词即时捕捉并情境化记忆。支持Windows和macOS，覆盖30种语言，让你在娱乐中自然习得外语。
阅读全文 →
·7 分钟
统一API运行多款开源OCR模型：10万页仅需60美元
VLM.run将DeepSeek-OCR-2、GLM-OCR、dots.mocr等开源OCR模型统一封装为OpenAI兼容API，10万页文档解析成本仅60美元。支持JSON结构化输出、MCP服务器集成，助力企业低成本实现大规模文档解析。
阅读全文 →
·14 分钟
屏幕记忆不靠截图：纯文本转Markdown的轻量方案
探索一种不依赖截图的屏幕记忆新方案：直接提取屏幕文本并保存为Markdown格式，在存储效率、隐私保护和AI检索能力上实现突破，为开发者和写作者提供更轻量的个人记忆工具选择。
阅读全文 →
·15 分钟
Hugging Face工程师用AI Agent自动化团队工作全流程实战
Hugging Face机器学习工程师Niels分享如何用AI Agent自动化Community Science Team的核心工作，从确定性Workflow到自主Agent的架构演进，涵盖技术栈选择、部署方案与真实成效。
阅读全文 →
·17 分钟
Deepmark深度评测：用语义搜索找回你遗忘的书签收藏
Deepmark是一款基于AI语义搜索的书签管理工具，支持聚合浏览器书签、X收藏、Instagram保存等多平台内容，通过多模态解析实现按内容而非标题搜索。本文详细解析其工作原理、性能表现及MCP智能体集成能力。
阅读全文 →
·16 分钟
t0md：一键把任意文档转成干净Markdown，内置MCP Server直连AI
t0md是一款免费免注册的在线文档转Markdown工具，支持PDF、Word、PPT、HTML、JSON格式转换。内置MCP Server可直接接入Claude、Cursor等AI Agent工作流，让AI自动消化非结构化文档。
阅读全文 →
·15 分钟
SubtitleYC：开源硬字幕提取工具，集成OCR识别与编辑
SubtitleYC是一款开源硬字幕提取工具，整合yt-dlp视频下载、PaddleOCR字幕识别、帧级预览与SRT编辑导出功能，支持GPU加速，为视频翻译者和字幕组提供一站式工作流。
阅读全文 →
·9 分钟
本地化文档智能系统构建指南：从架构设计到模型选型
详解如何构建本地化文档智能系统，替代Azure Document Intelligence实现离线文档解析。涵盖版面分析、OCR引擎选型、多模态大模型部署及混合方案设计，助力企业在保障数据隐私的前提下获得云端级文档处理能力。
阅读全文 →
·14 分钟
Space OCR：会自我校验的智能OCR工具深度解析
Space OCR是一款会自我校验答案的智能OCR工具，支持收据、发票、表单的结构化数据提取，具备数据溯源和自动验证能力。本文详细解析其核心功能、应用场景及产品策略。
阅读全文 →
·7 分钟
PDF文档自动分类实战：嵌入模型为何不够用及更优方案
深入分析用嵌入模型（如bge-m3）做PDF文档分类的局限性，包括标签描述敏感、长文档语义稀释等问题，并提供LLM直接分类、监督学习分类器、多模态特征融合三种更可靠的技术路径。
阅读全文 →
反AI字体：人能读懂、机器识别不了的对抗性设计
·7 分钟
反AI字体：人能读懂、机器识别不了的对抗性设计
反AI字体通过对抗性字形设计，利用人类视觉与机器视觉的感知鸿沟，阻挡OCR与大模型自动抓取。本文解析其技术原理、现实局限与数据主权意义。
阅读全文 →
·9 分钟
RAG与Agent面试必考的工程落地难题全解析
简历写满RAG、Agent却频繁挂面？问题在于只会跑Demo，讲不清生产环境的工程难题。本文系统拆解数据清洗、混合检索、幻觉防护、Agent死循环熔断等核心考点，帮你完成从调包侠到架构师的认知升级。
阅读全文 →
·11 分钟
发票分析AI落地实战：模型选型与架构设计避坑指南
企业如何用AI处理50+种发票格式？本文深度解析视觉文档理解技术路线，涵盖多模态大模型、OCR+LLM组合、混合架构三大方案，并给出非技术AI负责人的关键决策建议，助你高效落地发票折扣自动比对系统。
阅读全文 →
·16 分钟
PP-OCRv6部署实测：发票识别效果与字体漏识坑点全解析
PP-OCRv6是飞桨推出的SOTA级OCR模型，本文记录Docker部署全流程、发票识别实测效果，并深度剖析"整块区域漏识"的根本原因——字体缺失问题，助你快速避坑，结合N8n搭建自动化识别工作流。
阅读全文 →
·18 分钟
开源PDF解析引擎：20ms智能分类，纯Rust实现速度领先3倍
一款开源PDF解析引擎，20毫秒完成文档分类，纯Rust实现比顶级方案快3倍。通过智能分流策略，文本型PDF本地直转Markdown，扫描件才走OCR，大幅降低RAG系统与知识库构建的计算成本。
阅读全文 →
·9 分钟
A Giant Shot：内置MCP的AI截图工具，让AI直接操控你的电脑
A Giant Shot 是一款内置 MCP Server 的桌面截图工具，提供11种标注工具、智能OCR、AI对话及桌面自动化操控功能，支持一键接入 Cursor 和 Claude Desktop，让 AI 真正看到并操控你的屏幕。
阅读全文 →
·6 分钟
GPT-5.5替代OCR流水线：2.3万篇ChinaRxiv论文获完整英文翻译
开发者用GPT-5.5替代传统OCR流水线，完成ChinaRxiv超2.3万篇中文学术论文的英文翻译并免费开放。本文解析技术路径转变、翻译质量提升及对学术开放获取的深远影响。
阅读全文 →
