document-ai

Unlimited-OCR，一家中国公司新发布的开源OCR模型，解决了AI OCR工具中常见的内存增长问题——无论文档多长，内存使用都保持平稳，从而能够在32K上下文长度下一次性读取数十页。它采用MIT许可，拥有30亿参数，支持多语言，并且在GitHub上已经广受欢迎。

MonkeyOCRv2是一个用于文档AI的视觉-文本基础模型，在涵盖17种语言的1.13亿张图像的大规模语料库上进行了预训练，采用联合图像到文本生成和像素级文档重建。它在文档解析和理解任务上取得了最先进的结果，以更小的视觉编码器超越了之前的模型。

Datalab 发布了 lift，一个通过模式约束解码从 PDF 和图像中提取结构化 JSON 的模型，支持本地推理和托管推理选项。

本文提出了一种面向生产级文档AI管道的微服务架构，该架构结合了分类、OCR和LLM提取，分享了设计决策和批量分析洞察，揭示了OCR（而非LLM解析）主导了延迟。

PaddleOCR是一个功能强大、轻量级的OCR工具包，可将PDF和图像转换为结构化数据，适用于AI应用，支持100多种语言，旨在连接文档与大语言模型。