有没有好的 OCR AI 方案

看着很累 外包给我 一劳永逸。

你这个应该不是OCR的问题，我觉得更多的问题是在于你把东西扔给他，让它全自动处理，结果在这个过程中出了问题。最好是先把每一张图片全部提取出来，再让AI写一个脚本。每个图片一张一张的OCR，专业的问题在这边许愿，有时候可能会适得其反

有时候一半图片,一半是excel表格,怎么提好一点,不专业的哈,现在就是提出到表格形式,有点难.

excel扔给mineru生成的是图片连接,连接再发给mineru是可以.这么多连接有点晕,有啥方法.

我记得好像在哪看到说阿里的ocr的最便宜，一张图才几分钱

看你的需求是似乎一次性的，新开个对话，先把结构和关系提取准确，后面再去处理图片解析的部分

这似乎不需要ocr吧 直接把所有excel扔一个目录 然后开codex一个会话 输入你的需求让他对账就好了 他自己会利用openpyxl 或者 其他的 自己读取自己做审计 你让他有什么问题提出来 人工核一遍 最后再确认就好了

mineru

本地部署一个mineru吧，让AI帮你干就行，很快的。

我也是想这样方便,图片质量比较一般,出入库用的针式打印机难认出来,想要识别厉害一点…codex没试过,要国内的公司准备买一个.

同意，俺也想要挣钱。

用传统的OCR模型就可以吧 ppocr那种的

方案是用AI调用mineru对吗,可以试试,要学习一下.

同求，我要把一整本学生的手册给他复刻到md文档，800页，普通ocr做不到，并且还得实现跳转，转向了AI ocr，最开始用的也是WorkBuddy，但是他的智商好像有问题，疑神疑鬼的，最后也试了几次，终于放弃了，目录排版有点错乱，主体内容可能被他删改了，无法保证可信度

这个要自己搭吧,有简单一点拿来就能用的吗?

本地方案 mineru-kit advanced 档 ocr 模式关图像解析最均衡（用的 vlm 重新识别布局，低档位会用 paddle 的 ppv2，效果还常比 paddle 自己的 v3 好，不知道为什么），有 cuda 或者 mac mlx／llama 跑本地很快。

想要批量高精度就让 luna 或者 haiku（比别的模型便宜，但这位视力不太好，对间隔长度很不敏感，综合不如 luna）对着 mineru 产出的页面小切片和结构信息细看核对，本质就是把 mineru 的 vlm 换掉，agent 有个 pymupdf 辅助会顺手很多，图片的话建议配个 opencv。

在线方案试试 paddle llama-parse（某些场景很强，但它会强制解析图表） mineru（之前用了感觉不如本地）

其他 teleocr 小米 ocr 阿里 logics 部署过都不如 mineru，还要自己写脚本。剩下的那些榜都刷不到 sota 的就不用看了

想要高质量的识别结果，正经 agent + 眼睛好的便宜大模型 + 好用的工具是免不了的，指望那些从 qwen 2／3 练出来的 0.x b 小模型一遍过高难任务是不现实的

没太明白,佬是用的OCR还是模型的视觉能力(多模态),这两个应该不是一个东西吧. OCR各家应该都有专门的服务,大模型视觉效果比较好的可能是豆包或者qwen

你把问题分解 教ai干

1.首先把多个excel里各sheet里的图片提取出来并规范文件名 要AI写个小py脚本就行

2.将所有图片喂给vlm 将必要输出成标准格式 类似“品名 规格 数量 单价 金额 日期”这种 汇总成数据表 这里才是难点 估计出库入库三联是手写的 而且可能还是手机翻拍 传统ocr引擎很难抽取兴趣内容 建议用强大的多模态模型做 比如北美豆包（只能用国内的就用百度 他家有文档模型问答模型） 批量上传图片麻烦 可以做成pdf（一家一个pdf） 看API接口吃啥 就喂啥 用少量样本跑一下 要ai写脚本就行

3.有个标准数据格式的汇总表 对账就简单了 不再赘述了

昨天试了一下Muse还可以,比那个workbuddy好用多了.几分钟出来,表格图片一起都没问题,识别也还行,还能去重复,找错误..就是不能上传25M以上文件,这些一般都是机打的,翻拍是的,有的变形模糊,换成pdf是一个好方法.