ocr

MiniCPM-OCR 1.0（1.3B）是 MiniCPM-V 系列中首个专注于 OCR 的模型，在 Real5-OmniDocBench 上取得了 SOTA 文档解析成绩，同时通过 DSpark 解码将推理速度提升 55%，并首发支持 vLLM、SGLang、llama.cpp 和 Ollama。

OvisOCR3 是一款紧凑的 0.8B 视觉语言模型，通过多教师在线策略蒸馏和混合任务强化学习，将文档解析、通用 OCR、关键信息提取、图表描述和跨页表格重建统一起来，在 OmniDocBench v1.6、OCRBench v2 和 PureDocBench 等基准测试中取得了最先进的成绩。

阿里巴巴发布 OvisOCR2，一个基于 Qwen3.5-0.8B 的 0.8B 参数端到端文档解析模型，在 OmniDocBench v1.6 上以 96.58 分登顶，首次让端到端方案超越所有流水线方案，并采用 Apache 2.0 许可可商用。

该论文研究了在医疗设备合规文档评估中使用大语言模型时的可复现性问题，发现14个商业LLM部署在确定性采样设置下仍产生不一致的评估结果，并构建了一个从OCR到推理全链路确定性的流水线，实现跨机器、跨天的逐字节一致输出。

Sygal 是一款 100% 本地运行的文档转换工具，可将 PDF、扫描件、网页甚至 YouTube 链接转换为干净的 Markdown 和结构化 JSON，为 AI/RAG 管道做准备，采用一次性买断定价。

论文提出 semCER，一种利用 LLM 评审按严重程度对字符编辑加权的 OCR 评估指标，相比标准 CER 更能贴合人类评分，并在英、越、中等 16 种语言上验证有效，同时发布了 6100 万条已评分编辑数据集与蒸馏打分模型。

Vik Paruchuri 介绍 Indra，一个仅 1M 参数的 OCR 模型，在 CPU 上实现 49 页/秒，速度比 PaddleOCR 快 11 倍、比 Tesseract 快 17 倍，并在 OmniParseBench 文本识别上取得更高精度。

Unsiloed 和 TypeSafe 的 Jev 结合使用，通过类型化提问（Noul/Choice/Score）验证文档抽取结果，帮助检测 OCR 错误和明显异常的数据字段，实现智能的文档复核路由。

PixText 将局部文本修正建模为像素空间的分组图像生成，仅生成目标区域并保留未编辑内容，借助 MeanFlow 实现四步快速生成，在新提出的 TextRefinementBench 上以 83.06% 的字形通过率大幅超越最强基线。

Vik Paruchuri 认为，OlmOCR 是设计最出色的 OCR 基准测试，但其性能已趋于饱和，近期的提升主要来自为匹配测试集而采用的后处理技巧，而非模型本身的真正改进。

据报道，一款名为 Clef 的新视觉模型具备与 Jev 相当的能力，同时新增了图像支持，能够执行检查签名、核验发票总额等文档理解任务，并提供经过校准的结果。作者质疑，尽管该模型的表现令人惊叹，为何此次发布却没有得到足够的宣传。

LlamaIndex 推出的 OpenDocRouter 将 Mistral OCR 加入其统一文档解析 API，在表格和阅读顺序上表现具有竞争力，每页 p50 处理时间仅 1.8 秒。开发者可在同一套 API 下选择多种 OCR 模型，按页计费，并提供 ParseBench 基准测试。

Datalab 发布了 Indra OCR——一个仅约 1M 参数的轻量 OCR 模型，在 CPU 上每秒最多可处理 49 页，速度比 Tesseract 和 PaddleOCR 快 11-24 倍，可将 PDF 和图片转换为 Markdown、纯文本或带框的 JSON。

Letra 是一款 macOS 菜单栏应用，让你可以提取屏幕上通常无法选中的文字——只需按下 ⇧⌘2，即可在屏幕共享、视频或扫描版 PDF 中拖动并复制文字。它完全在本地设备上运行，支持二维码扫描、多语言 OCR 以及可搜索的历史记录，定价为一次性买断 $5.99。

Tencent 发布 Youtu-Parsing-Omni，一个 5B 的全能模态解析模型，统一处理文档、图像、图表、音频和视频输入并输出结构化 JSON，在 OmniDocBench v1.6 上取得 96.96 的最佳成绩，并开源模型权重与 vLLM 插件。

LightOn 发布新一代轻量级端到端 OCR 模型 LightOnOCR-3 系列，其中 4B 版本采用 Qwen3.5 视觉-语言架构，新增 grounding（带边界框的布局标签）、图像描述和图表数据提取等视觉理解能力，全部以 Apache 2.0 许可开源。

论文提出 Wieszcz-XIX，一个涵盖 1800–1918 年波兰语的 31 亿词（67.5 亿 token）语料库，并从零训练了参数规模从 47M 到 349M 的时间受限语言模型，展示其在时期词汇上相对现代波兰基座模型的交叉优势，同时发布语料、代码与权重。

Sorted 是一款面向 Mac 的私密 AI 文件整理工具，可通过本地 AI 标签、OCR、重复检测和自定义规则自动整理文件，支持语义搜索和文档问答，所有处理均在本地运行，售价 9.99 美元一次性买断。

本文提出一套面向生成式AI工作负载的生产级内容提取系统，包含选择性OCR路由、稀缺优先的标注策展引擎、结构感知的父子分块器与只读检索评估器，在180篇文档语料上达到97.4/100的抽取评分与hit@10 92.8%的检索命中率，并总结出三条设计原则。

LlamaIndex 发布 OpenDocRouter，一个统一的文档转 Markdown API 平台，聚合前沿与开源 OCR 模型，并通过 ParseBench 对质量与成本进行基准测试。