40行代码搞定：如何用Modal和DeepSeek构建低成本OCR服务
作者为了将统计学教材数字化，利用Modal无服务器计算平台和DeepSeek开源OCR模型，仅用40行代码构建了一个高效的OCR服务。该方案解决了本地算力不足的问题，通过在云端挂载A100 GPU，实现了批量处理PDF并高精度识别数学公式。...
标签索引 / 第 2 页
ocr
这个标签下有 33 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
文档解析新突破：dots.ocr 1.5发布，实现SOTA水平并支持图表转SVG代码
GitHub开源仓库rednote-hilab/dots.ocr发布了1.5版本，该工具基于单一视觉-语言模型，在多语言文档布局解析方面达到了SOTA（最先进）水平。此次更新的核心亮点在于创新性地支持将文档中的图表直接转换为可编辑的SVG代...
1940年代爱尔兰科幻小说重现GitHub：最早预言“引力助推”与“机甲”的失传之作
GitHub上出现了一个特殊的开源项目，旨在数字化1940年出版的一部爱尔兰语青少年科幻小说《Manannán》。这部由Máiréad Ní Ghráda撰写的作品尘封已久，从未再版或翻译。研究发现，书中可能不仅包含日本以外最早的“机甲”（...
阿里Ovis2.6重磅开源：OCR能力力压GPT-4o，引入DeepSeek式思维链
阿里国际 AI 团队（AIDC-AI）正式开源 Ovis2.6 系列多模态大模型。该版本在视觉文字处理上实现突破，其 7B 版本在 CVTG-2K 文字生成榜单上以 0.9200 的准确率超越 GPT-4o，并在中文长文本 OCR 场景中表...
GLM-OCR开源登顶基准：0.9B参数实现SOTA性能，专攻复杂文档理解
GLM-OCR 是一款全新的开源多模态OCR模型，专为应对复杂文档理解场景而生。该模型基于 GLM-V 架构，创新性地引入了多令牌预测（MTP）损失函数和强化学习技术，显著提升了训练效率与识别精度。在权威的 OmniDocBench V1....
智谱开源轻量级OCR模型GLM-OCR：仅0.9B参数，兼顾速度与精度
智谱AI于2月3日低调开源了自研的多模态OCR模型GLM-OCR。该模型参数量仅为0.9B（9亿），主打“准确、快速、全面”三大特性。与庞大的通用大模型相比，其轻量化的设计大幅降低了部署门槛，非常适合在边缘计算设备及端侧环境中运行。社区实测...
PaddleOCR-VL-1.5重磅发布：0.9B参数实现SOTA，重塑文档解析极限
PaddleOCR-VL-1.5 正式发布，基于创新的不规则形状定位算法 PP-DocLayoutV3，显著提升了在扭曲、倾斜等真实场景下的文档解析能力。其 0.9B 紧凑多模态模型在 OmniDocBench v1.5 基准上达到 94....
DeepSeek发布新一代OCR 2模型，首创图像因果推理架构
DeepSeek-AI正式开源新一代视觉语言模型DeepSeek-OCR 2。该模型搭载创新的DeepEncoder V2架构，首次赋予AI处理二维图像时的“因果推理”能力，突破了传统解析局限。新模型在保持超高压缩效率的同时实现性能跃升，仅...
智谱 AI (Z.ai) 新模型 GLM-OCR 现身 GitHub，多模态能力或再升级
近日，Z.ai（智谱 AI）团队在 GitHub 平台悄然上线了名为 GLM-OCR 的新模型仓库。作为 GLM 系列的延伸，该模型专注于光学字符识别（OCR）与文档理解技术，旨在解决复杂视觉场景下的文字提取与解析难题。这一动作不仅丰富了智...
开源 OCR 工具 OCRBase：高效将 PDF 转换为结构化数据 API
OCRBase 是一款开源的文档处理工具，旨在将 PDF 大规模转换为结构化数据。它基于先进的 PaddleOCR-VL-0.9B 模型，提供高精度的文本识别与提取能力。该平台支持用户自定义 Schema 并直接输出 JSON 格式，同时配...