搜索了一遍竟然上一个帖子在去年。。。。 现在如果是单张很方便,扔给 Chatgpt4o 或者 claude 。但是对多张 pdf 就不友好了。或者觉得大材小用?? 有人有解决方案么?
1
gxt92 67 天前
我觉得 OCR 变成了 AIGC 的前置处理流程或者说一部分了,而不是被淘汰
|
2
lovestudykid 67 天前
@gxt92 #1 现在多模态模型应该是直接处理图片,而不是 OCR 了再处理
|
3
SkywalkerJi 67 天前
yolo5 之类的模型不知道能不能有突破。
|
![]() |
4
lekai63 67 天前 via iPhone
还是用回 OCR 呗
|
![]() |
5
czfy 67 天前 ![]() 要经典的,有 白描 https://baimiao.uzero.cn/
要开源的,有 Umi-OCR https://github.com/hiroi-sora/Umi-OCR 如果你说要更底层的,那就是 Umi-OCR 上用的 PaddleOCR https://github.com/PaddlePaddle/PaddleOCR |
6
maolon 67 天前 via Android ![]() 实际上主流的 rag 开源项目,比如网易的 qanything ,ocr 依然是主力识别的手段,单纯用多模态有两个问题一是太慢,二是不够稳定
|
7
RiESA 66 天前
但是 AI 又没眼睛,怎么去"看"图片呢? 不也得依赖 OCR 之类的东西来读取图片
|
![]() |
8
Imr 66 天前
@czfy 还有 https://github.com/tesseract-ocr/tesseract ,不少开源 rag 用
|
![]() |
9
paidaxtis 66 天前
首先 OCR 也是 AI
其次目前 VL 大模型对传统 OCR 任务还是比较一般,更适合非结构化的 OCR 任务 最后 VL 大模型做 OCR 太贵了,成本是几十上百倍.目前没看到有同行敢直接换的 |
![]() |
10
DjvuLee 66 天前
单纯的 OCR 确实是的,主要是缺少语义,导致有一些识别不了。
比如 Apple Notes 里面的 checkbox 就很容易识别为字母 O 。但是大模型有语义之后可能就能识别出这个是一个 checkbox 。 我们正好做了一些这个方面的尝试,有兴趣可以看看我们的产品 ScreenAI: https://v2ex.com/t/1054303 |
![]() |
11
maemolee 66 天前
OCR 是一个应用场景吧?就是 图片内文字提取。你通过传统手段或者 AI 手段实现,都没关系,都能达成一样的目的,甚至 AI 还给 OCR 场景提升了使用体验。
|
12
xuanjiangsara OP @lovestudykid 我觉得你说的对。我没有证据支持,但是就是感觉 AI 肯定用了 OCR ,但是记得看了个新闻说用 AI 识别烧焦的古迹,我觉得就是绝对不是 OCR 识别后才给下一道 AI 继续做这么简单
|
13
xuanjiangsara OP @maemolee 因为有一个 AI 接手了,我就可以扔掉 N 个本地 ocr apps 。步骤越少越好。
|
14
xuanjiangsara OP @paidaxtis 我觉得 ocr 本身的 AI 就像黑与白游戏里的宠物的智能。仿佛很 AI 。但是某个场合就降维弱智折腾你。但你说的,说白了还是。。。贵。哈哈,万恶之源
|
15
xuanjiangsara OP @DjvuLee Apple Notes 还有这么蠢的时候?!用多少没留意过。我那天先看到你们的产品帖子了,只是我还没买 mac 。倒是很期待等 APPLE Intelligence 打磨好了,我想看你们怎么跟系统对接好。一定效率刚刚的。
|
16
xuanjiangsara OP |
17
ko1haha 64 天前
有道、谷歌翻译相机 实时 ocr 有可能用多模态?速度没那么快吧。强强配合 才是王道。
|