现在是不是 AI 都淘汰了 OCR 了？

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

爱意满满的作品展示区。

这是一个创建于 177 天前的主题，其中的信息可能已经有所发展或是发生改变。

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？

第 1 条附言 · 176 天前

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。
我也是确实发现对比后，AI 的后操作要少很多。比如我用 ABBYY 这个，一旦不是他的字体库内的，训练就要死人。但其实人眼能大致认出来的，就应该识别。至少现在多模 AI 是鸡爪子字都认识的出来的，平时要处理的文稿都是有内容讲人话的句子。所以不想用传统 OCR ，问就是矫情。哈哈

18 条回复 • 2024-12-05 16:49:48 +08:00

gxt92

177 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

lovestudykid

177 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

SkywalkerJi

177 天前

yolo5 之类的模型不知道能不能有突破。

lekai63

177 天前 via iPhone

还是用回 OCR 呗

czfy

177 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

maolon

177 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

RiESA

177 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

Imr

177 天前

@czfy 还有 https://github.com/tesseract-ocr/tesseract ，不少开源 rag 用

paidaxtis

177 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

DjvuLee

177 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

maemolee

176 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。

xuanjiangsara

176 天前

@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

xuanjiangsara

176 天前

@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。

xuanjiangsara

176 天前

@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

xuanjiangsara

176 天前

@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。

xuanjiangsara

176 天前

@czfy
@Imr 看过这几个，一直没装。这回看看如何。曾装了个熊猫 ocr 对接各种国内大公司，感觉麻烦。

ko1haha

175 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。

ChanKc

22 天前

ocr 准确度比多模态高，但是只能做特定的任务，比如识别文字内容、识别人脸、区分猫狗
多模态更通用但是准确率比较有限，容易有幻觉。如果是做应用的话可以先传统 ocr 做画面主体识别，得到的主体内容再喂给多模态。