V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
这是一个专门讨论 idea 的地方。

每个人的时间,资源是有限的,有的时候你或许能够想到很多 idea,但是由于现实的限制,却并不是所有的 idea 都能够成为现实。

那这个时候,不妨可以把那些 idea 分享出来,启发别人。
huc2
V2EX  ›  奇思妙想

基于 AI/VLM 做 OCR 的需求大吗?

  •  
  •   huc2 · 13 天前 · 1257 次点击

    我自己平常用一些简单的 OCR 是直接用微信自带的了,但是一些复杂的功能微信肯定还是做不到的。

    1. 识别一些图片中一些抽象的文字,我测了一些发现微信的能力还是蛮强的,会有小瑕疵需要用户手动修改。但是 VLM 非常强并且能帮你排版好。
    2. OCR Latex ,论文写作会有用,Mathpix 是收费的并且好像学生认证之后一天也是有限制的。
    3. OCR 其他东西:比如网页/图片上的表格之类的,直接生成可以复制到 csv 里的格式
    4. VLM 也可以顺便做翻译等其他的的功能

    问题:需求是否真的存在?

    1. 会用 AI 的人直接用 GPT 就行了,虽然如果有一个专门的工具肯定会方便一些。
    2. 如果我不想自己提供 api ,对于不会翻墙/AI 的人,让他们去一些 硅基流动/火山 之类的网站上申请 key 感觉又是一项门槛。
    9 条回复    2025-07-21 21:02:12 +08:00
    aeron
        1
    aeron  
       13 天前
    知识库这方面,很多资料是 pdf ,ppt 之类的,没有太精准的工具转成 markdown 这类文本后还能保留原有的结构和内容,所以需要 vlm 来做内容提取
    love060701
        2
    love060701  
       13 天前
    OCRFlux ,开源最佳
    1145148964
        3
    1145148964  
       13 天前
    需要。
    noneofmyb7s
        4
    noneofmyb7s  
       12 天前
    最大的问题是太慢,用 qwen2.5-vl-7b ,不带提问只抽取的话大概是 10s/page ,带一些问题理解的抽取要 20~60s/page 了,传统 ocr 会快得多
    huc2
        5
    huc2  
    OP
       12 天前
    @noneofmyb7s 如果只是一个小截图的公式的话速度其实还行。解析 pdf 的话速度慢确实,优势可能就是可以帮你自动排版了,可能如果 pdf 有水印可以自动帮你忽略水印
    huc2
        6
    huc2  
    OP
       12 天前
    @love060701 star 了,模型是开源的?其实如果是通用的 vlm 的话,会更灵活一些,比如还能指定输出的格式。
    FengJQ
        7
    FengJQ  
       11 天前
    效果和准确性确实吊打传统 OCR , 最大的问题是太慢了。 不知道本地部署 OCRFlux 速度怎么样?
    Selenium39
        8
    Selenium39  
       11 天前 via iPhone
    mistral ocr 效果最好,可以在 https://llmocr.com 尝试一下
    huc2
        9
    huc2  
    OP
       11 天前
    @Selenium39 他这种怎么做到完全免费的?感觉很烧钱啊,如果用户多了。
    关于   ·   帮助文档   ·   自助推广系统   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1518 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 16:46 · PVG 00:46 · LAX 09:46 · JFK 12:46
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.