标签
Jina-ocr-v1是一款专为高级文档智能设计的多模态视觉语言模型，能够从多语言图像中读取文本。
Thoughts for Mac 是一款菜单栏应用程序，支持使用文本、图像和语音快速记笔记，并具有AI驱动的音频转录和文本转换功能。
作者正在为处理多种语言、手写文本及复杂扫描格式的多文档ERP系统挑选OCR模型，希望得到有实际文档OCR项目经验人士的建议。
本文介绍了如何利用人工智能工具进行光学字符识别及合同起草，从而重新出版书籍，同时重点阐述了在格式处理及特殊文本元素处理方面所面临的挑战。
LlamaIndex 在过去三个月里显著改进了 LlamaParse。在 ParseBench 基准测试中，其在复杂表格、图表和 grounding 方面的准确率提升了 10%–20%，同时每页成本仍控制在 0.4 美分以下。
Jina-OCR-v1 是一款高效的端到端文档解析模型，通过结合推测解码与密集可验证奖励技术，可在低预算 GPU 上实现高精度与高处理速度，在 OmniDocBench v1.6 上得分 91.14，olmOCR-Bench 上得分 83.4。
本文评估了开放多模态大语言模型在高棉文档视觉问答上的性能，发现虽然模型在处理英语和数字内容方面表现良好，但理解原生高棉脚本仍然具有挑战性。该研究使用了KH-FUNSD集合中的诊断子集，并比较了不同的模型配置。
HSK Manga是一款免费工具，通过AI和OCR技术将漫画对话简化为适合中文学习者的HSK水平，使阅读对初学者更容易。
Cohere推出了Parse，这是一种经济高效的视觉语言模型，用于处理大量企业文档并将其转化为结构化数据，为RAG和文档索引等用例提供高性能和可扩展性。
AnyDoc现在包含OCR功能，可用于读取扫描文档，提供快速处理时间和通过Firecrawl的免费托管选项。
OpenCode Senses 是一款专为 OpenCode 设计的本地视觉插件，提供先进的图像理解功能，如 OCR、物体检测和颜色分析，完全在本地硬件上私密运行，无需 API 密钥。
一个 Claude Code 插件，通过在 macOS 上从 Amazon 的笔记本和 Kindle 应用数据中逐字提取，来恢复 Kindle 导出受限的高亮。
OCR It 是一款 Chrome 扩展，使用本地 OCR 从无法复制的文档中提取文本，旨在帮助用户为 Claude 或 ChatGPT 等 LLM 准备内容。
文章讨论了AI代理的两阶段文档处理趋势，其中快速OSS阶段实现高效检索，基于VLM的阶段确保准确性，推广Llama Index的LiteParse和LlamaParse工具以提高成本和性能。
基于TrOCR微调的新视觉编码器-解码器模型，让OCR技术适用于Saraiki语言。
本文对开源OCR、LLM和VLM系统在高风险公共部门应用中的结构化信息提取进行了基准测试，发现VLM通常优于OCR+LLM流水线，但大多数配置在零样本设置中表现不佳，强调了输入质量的关键作用。
本文介绍了一个模块化流程，用于从历史报纸扫描件中提取结构化文本和元数据，从而生成一个包含数十亿令牌的开放数据集，这些令牌来自数百万扫描件。