标签索引

OCR技术

这个标签下有 13 篇文章。按时间回看相关判断与实践记录。

标签精选

大模型多模态实测：DeepSeek在象棋OCR识别中“翻车”，Gemini完胜

一项针对中国象棋场景的OCR对比测试显示，多模态大模型在特定领域的表现参差不齐。测试要求模型识别棋盘截图并转换为标准UCCI/FEN格式。结果显示，Google Gemini是唯一完全正确的模型；GPT系列出现了部分颜色识别错误；而近期备受...

2026-04-301 分钟阅读126 阅读

随着DeepSeek等高性价比大模型的流行，如何在控制成本的同时实现多模态交互成为技术社区的热点讨论方向。针对非多模态模型无法直接处理图像的短板，一种“前置OCR处理”的混合架构方案备受关注。该方案旨在构建一个智能路由机制，在输入端识别到图...

2026-04-281 分钟阅读73 阅读

本文深入剖析了DeepSeek OCR的技术实现细节，详细拆解了从图片上传、生成唯一ID、监控上传进度，到通过任务队列进行异步推理的完整数据流。文章重点解读了其API交互逻辑，特别是对返回结果中包含的边界框坐标与文本类型标签（如和）的结...

2026-04-251 分钟阅读77 阅读

一位拥有十余年开发经验的程序员在40岁面临职业转型，提出了两个创业构想寻求行业建议。构想一是利用OCR技术将发票、发货单等图片自动识别并转换为结构化Excel数据；构想二则是基于自学从Python到Transformer的AI全技术栈，录制...

2026-03-261 分钟阅读121 阅读

作者利用Claude和Codex两个AI Agent，对2001年至今的11,345张杂乱收据进行了深度分析，旨在统计25年来在鸡蛋上的花费。整个项目耗时14天，处理了16亿个Token。文章详细记录了技术攻坚过程：面对OCR识别率低和图像...

2026-03-221 分钟阅读137 阅读

一位科技爱好者在Linux.do社区发帖求助，指出处理东亚纵向排版（竖排文字）的PDF文档依然是当前软件和AI的痛点。经实测，WPS等传统办公软件在转换时会出现乱码；而DeepSeek、豆包等头部国产大模型也未能幸免，只能识别出部分文本，无...

2026-03-181 分钟阅读128 阅读

针对日文漫画及海外Webtoon中文字不可复制、字体复杂及排版特殊导致的翻译难题，作者开发了一款垂直类图片翻译工具。该工具将“图像检测+OCR+翻译”流程简化为一步，并重点适配了气泡检测与竖排混排等场景。作者在实践中发现，在漫画场景下，OC...

2026-03-061 分钟阅读87 阅读

近日，技术社区Linux.do针对国产头部大模型展开了新一轮的实测对比，聚焦于智谱GLM与DeepSeek OCR 2的OCR（光学字符识别）能力。此次对比基于特定的题库，通过五个不同维度的任务，全面评估了两者在文档还原、图文识别及多模态理...

2026-02-041 分钟阅读455 阅读

近日，一款名为ppllocr的轻量级OCR库正式上线，专注于图形验证码识别。该库使用Cloudflare Workers进行反代优化，在性能和准确度上部分超越现有工具Ddddocr，为开发者提供高效解决方案。项目开源于GitHub，支持快速...

2025-12-281 分钟阅读280 阅读

一位科技爱好者在Linux社区的支持下，从最初对大模型区别的困惑出发，通过学习高效使用模型如sonnet，选择中转站服务。利用1元试用金，成功用Claude更新Python脚本基础功能，再用codex优化代码，彻底解决了PDF OCR问题。...

2025-12-211 分钟阅读250 阅读