ocr

Interfaze introduces a new hybrid AI model architecture combining DNN/CNN encoders with transformers to achieve superior accuracy and cost-efficiency for deterministic tasks like OCR, vision, and STT compared to generalist models.

Wink Engineering 评估了将神经超分辨率作为车牌识别 OCR 预处理手段的有效性，结论是它未能提高准确率，且与直接在低分辨率数据上训练相比，往往导致识别出幻觉字符。

LlamaIndex 发布了 liteparse-server，这是一个可自托管、无模型的 HTTP API，能够以高空间保真度和隐私保护能力解析多种多样的文档类型。

LlamaIndex 推出了 liteparse-server，这是一个开源、可自托管的 HTTP 后端，用于解析 PDF、图像和 Office 文档，支持空间布局提取、OCR 和截图生成，专为 AI 和数据工作流设计。

本文介绍了 dots-ocr，这是一个拥有 17 亿参数的模型，能够在超过 100 种语言中解析文档中的文本、表格、公式和图像，而无需单独的 OCR 处理流程。

来自interfaze_ai的新AI模型声称在OCR、视觉和语音转文字任务上超越领先模型（sonnet 4.6、gemini 3 flash、gpt 5.4 mini）。

对 18 款大模型在 OCR 任务上的全面评测（7k+ 次调用）发现，便宜或旧模型往往能以极低成本达到与旗舰模型相当的准确率，数据集与评测框架已完全开源。

Koharu 是一款开源的 Rust 漫画/图片翻译工具，融合目标检测、视觉 LLM OCR、版面分析与图像修复，并集成 llama.cpp，支持 Gemma 4 与 Qwen3.5 系列模型。

Gemma 4 的视觉表现受默认 token 预算过低拖累；在 llama.cpp 中将 --image-max-tokens 提到 2240，可解锁顶尖 OCR 与细节识别，代价是额外占用约 14 GB 显存。

Interfaze AI 发布专用模型，在 OCR、目标检测、网页抓取、语音转文字、分类等确定性开发者任务上全面超越通用 LLM。

仅 1.7B 参数的多语言文档解析器 dots.ocr，用轻量体积实现 SOTA，证明文档理解无需巨无霸模型。

大家好！我一直在独立研究和开发小巧但强大的视觉语言模型（VLM），并注意到视觉数据集中的一个空白——没有一个数据集在教我的模型简单地将文本定位到图像中，而是试图让模型推理文本或场景本身。这促使我投入两周的副项目，创建了SGOCR，一个开源数据集流水线，用于生成空间定位的、以OCR为核心的VQA元组，包含大量丰富的元数据以支持多样化的VLM训练策

NVIDIA推出Nemotron OCR v2，一个使用合成数据生成技术构建的快速多语言OCR模型。该模型通过采用统一的基于FOTS的架构，在检测、识别和关系组件之间实现特征复用，在单个A100 GPU上达到34.7页/秒的性能。

MinerU2.5 是一个拥有 12 亿参数的视觉-语言模型，通过采用由粗到细的解析策略，在保持高计算效率的同时实现了最先进的文档解析准确率。

SmolDocling 是一款紧凑型 2.56 亿参数视觉语言模型，专为端到端多模态文档转换设计。它引入了一种名为 DocTags 的新型通用标记格式，用于捕获带有位置信息的页面元素，其表现可与体积大 27 倍的模型相媲美。

Paperless-ngx 是一个开源文档管理系统，可以数字化和归档纸质文件，并提供全文搜索功能。它是原始 Paperless 和 Paperless-ng 项目的官方继任者，设计为社区驱动的项目。