标签
一位从业者向社区询问，哪种开源 OCR 技术栈最适合完全在本地批量处理 20–25 页的混合内容 PDF，并将 Docling、GLM-OCR、PaddleOCR-VL、OlmOCR 2 和 MinerU 等工具列入候选名单，同时权衡视觉语言模型（VLM）与文本层解析器在处理表格和扫描页面方面的优劣。
该论文提出了 S2TDR，一种结构化多模态框架，通过视觉线索提取、情感意图推断和上下文感知重构，将对话中的贴纸轮次转换为符合语境的文本。与直接整合贴纸相比，该框架提升了下游情感分析、意图识别和摘要生成任务的表现。
LlamaIndex 为其 Extract agentic_plus 层级推出了 'Max Effort' 模式——一种基于动态 token 的文档抽取模式，将 ExtractBench Pro 上的 Value F1 从 77.7 提升至 94.3，并根据所需计算量提供灵活计费。
Distributed Proofreaders 是一个基于网络的协作平台，将公共领域书籍的 OCR 文本拆分成单页任务，供全球志愿者校对与排版，最终汇编成电子书并提交至 Project Gutenberg 存档。
Datalab 发布 Surya OCR 2.5，一个 689M 参数的 OCR 模型，在 OmniParseBench 上取得 85.9 分（1B 以下开源模型最高），支持 91 种语言、布局分析与表格转 HTML，吞吐量在单张 H100 上达每秒 4.5 页。
LlamaIndex 发布了 Boo Bench，这是一个由 179 页文档页面组成的基准测试集，专门设计用来诱骗解析器和视觉语言模型进入重复循环。该基准配有排行榜和论文，测量各系统返回结果的"无鬼影"频率。
一款开源桌面应用，集漫画阅读器、日语 OCR、本地大语言模型翻译浮层和可感知当前页面内容的聊天助手于一体，在保持原始画面完整的同时，提供并排对照翻译。
OpenBMB 发布了 MiniCPM-OCR 1.0（1B），这是一款可在 iPhone/iPad 上本地运行的轻量级 OCR 模型，同时还发布了 MiniCPM-OCR-Jev（2B），这是一个根据源图像对 OCR 输出正确性进行评分的验证模型；两者均开放模型权重，并支持 llama.cpp、vLLM、SGLang 和 Ollama。
datalab-to 发布了 Tesseract OCR 引擎的继任者 indra，其突出之处在于仅有 100 万个参数，却在基准测试中展现出质量和速度的显著提升。
Chandra OCR 2.6 发布，宣称在 API 上比前沿模型更快、更便宜且更准确，超越 Gemini Flash、Opus 和 Sol，成本降低 5-15 倍，速度提升 2-10 倍。
一个名为 OmniParse Bench 的开源文档解析基准测试发布了，该测试在 92 种语言的 2,937 页文档上运行了 16,288 项测试，用于对比 DeepSeek-OCR、PaddleOCR-VL 和 Surya 等 OCR 方案，结果表明没有任何一个解析器能在所有文档类型上都表现最佳。
OpenBMB 发布 MiniCPM-OCR Jev（2B 参数），一款 OCR 质量评估模型，可对文本、公式和表格区域的识别结果打 0-1 分，在 JevOCRBench 上决策 AUROC 达 93.6，超过多个更大的模型，并在多种 OCR 模型输出上保持稳定泛化。
Unlimited OCR 2 目前是 Papers with Code 上的热门论文第一名，用户可以通过聊天界面对论文 PDF 进行对话式问答。
该论文提出实体级分析作为补充视角来评估历史文档OCR质量，使用Berrutti档案馆175份文档及5,209条人工标注实体，比较了序列识别OCR系统、OCR专用视觉-语言模型和通用视觉-语言模型，发现不同评价标准下OCR排名会变化。
百度发布 Unlimited-OCR-2，借助 SR-SWA（稀疏参考滑动窗口注意力）在有限上下文窗口内实现超长乃至无界文档解析，并同步推出 MarathonDocBench 超长文档解析基准。
作者分享如何用一台12年前的办公PC运行本地脚本（IMAP邮件轮询、Tesseract OCR、Piper TTS），把Telegram机器人例行任务从昂贵的LLM API调用转为零token的本地处理，显著降低成本。
Jerry Liu 宣布发布 OCRia-1，一款面向文档解析的前沿 VLM，在准确率、成本和延迟上均达到新的 SOTA，并在 ParseBench 及多个第三方基准上取得领先成绩。
WeVisOne-VL (WeChat Vision All-in-One) 是一个统一对象级与像素级视觉感知的视觉语言模型，通过结构化 token 预测与轻量像素解码器支持检测、定位、计数、OCR、分割和抠像等任务，在30多个基准上取得领先性能，并已开源 2B/4B 模型。
Vik Paruchuri 发布了用于 OCR 验证的全新词置信度模型，用户可以查看每个词的精确位置和置信度值，即使在质量较差的扫描件上也能生效。
SoMark 发布了 OXR，一个 13 亿参数的开源文档解析模型，在 olmOCR-Bench、OmniDocBench 和 DocParsingBench 上均取得最高分，同时在单张 RTX PRO 6000 上达到 DeepSeek-OCR-2 1.60 倍的吞吐量。它支持 13 种元素类型的坐标检测，涵盖脚注、公式、表格和手写内容，由 RSI 技术驱动。