OCR-модели: Tesseract, PaddleOCR-VL или VLM для документов?
Автоматический перевод
Эта статья была автоматически переведена с оригинальной английской версии.
Выбирайте систему оптического распознавания символов (OCR) с учетом самого документа и требуемого результата. Чистые печатные страницы, формы, таблицы, чеки, исследовательские статьи, скриншоты и рукописный текст требуют разных подходов. Сначала определите, нужны ли вам исходный текст, разметка страницы, структурированные поля или ответы, подтвержденные содержимым документа.
Для PDF сначала проверьте, пригодны ли встроенный текст и разметка. Если они подходят для задачи, извлеките их напрямую. Тестируйте классический OCR, например Tesseract, для чистых сканов печатных страниц. Тестируйте PaddleOCR-VL 1.6 для обработки разметки, текста, таблиц и формул в собственной среде. Тестируйте dots.mocr для структурированной графики. Универсальная визуально-языковая модель (VLM) — ещё один вариант, если задача также требует ответов на визуальные вопросы.
Сравните варианты по типам ваших документов, нужным полям, контролю данных, латентности и стоимости.
Таблица выбора
| Проблема с документом | С чего начать | Почему |
|---|---|---|
| PDF с пригодным встроенным текстом | Извлечение текста и разметки из PDF | Не распознавайте текст, который уже хранится в файле. |
| Чистые печатные сканы в большом объеме | Пайплайн классического OCR | Дешево, предсказуемо, не требовательно к CPU, удобно для пакетной обработки. |
| Сложные PDF с таблицами, формулами и рисунками | PaddleOCR-VL 1.6 или размещенная у провайдера VLM для документов | Сравните специализированный парсер с универсальной моделью на одних и тех же страницах. |
| Извлечение структурированных полей | VLM со structured output или доменный парсер | Схема результата не менее важна, чем распознавание текста. |
| Документы с повышенными требованиями к защите данных | OCR в собственной среде или открытая VLM | Документы остаются внутри вашей среды. |
| Восстановление разметки | PaddleOCR-VL, dots.mocr или другой парсер разметки | Простой OCR-текст теряет порядок чтения, таблицы, подписи и разделы. |
| Рабочие процессы с ручной проверкой | OCR с оценкой уверенности и данными о происхождении спанов | Проверяющим нужна прослеживаемость страницы, области, поля и исходного фрагмента. |
OCR и понимание документов
Традиционный OCR извлекает символы. Для анализа документов с AI также нужны разметка и понимание смысла. Ячейки таблиц, чекбоксы, подписи, подписи к иллюстрациям и сноски могут содержать текст, но сведение их в одну строку разрушает связи между элементами. Из-за этого затем ломаются извлечение полей и ответы на вопросы.
Визуально-языковые модели могут извлекать поля и отвечать на вопросы о схемах или таблицах. Их результат всё равно нужно проверять по странице. PaddleOCR-VL 1.6 объединяет анализ разметки с компонентом VLM на 0.9B параметров, а dots.mocr также разбирает структурированную графику. Сравните эти пайплайны с классическим OCR на нужных страницах и полях; более крупная модель не является причиной заменять работающий экстрактор.
Классы моделей и инструментов
| Класс | Сильная сторона | Недостаток | Используйте, когда |
|---|---|---|---|
| OCR в стиле Tesseract | Стоимость, прозрачность, офлайн-выполнение | Слабые результаты при обработке рукописного текста, разметки, зашумленных сканов и сложных документов | На входе чистый печатный текст, а задача — извлечение текста. |
| Облачная VLM для документов | Сложные PDF, графики, таблицы и мультимодальный контекст | Стоимость, латентность, расположение данных, зависимость от API | Нужны качественное извлечение или ответы на вопросы по разнородным документам. |
| PaddleOCR-VL 1.6 | Текст, таблицы, формулы, графики, разметка и 109 языков | Полный пайплайн сложнее, чем один его VLM-компонент | Нужен поддерживаемый парсер документов, размещенный в собственной среде. |
| dots.mocr | Текст документов и парсинг структурированной графики | Ресурсы для сервинга модели на 3B параметров и зависящее от задачи качество результата | Важны графики, рисунки или реконструкция с ориентацией на SVG. |
| Открытая универсальная VLM | Контроль над данными, кастомизация и более широкий визуальный ризонинг | Сложность сервинга и вариативность моделей | Нужно размещение в собственной среде, выходящее за рамки парсинга документов. |
| Парсер разметки | Области, порядок чтения, структура документа | Обычно требует оркестрации с OCR или VLM | Важна точность разметки. |
| Гибридный пайплайн | Контроль затрат и роутинг | Больше инженерной работы | Можно направлять простые страницы в дешевый OCR, а сложные — в VLMs. |
Практическая архитектура
В промышленной системе обработки документов я бы не отправлял каждую страницу в самую дорогую модель по умолчанию.
- Проанализируйте файл и сохраните метаданные на уровне страниц. Для PDF проверьте, подходят ли имеющиеся текст и порядок чтения для задачи.
- Напрямую извлекайте пригодный встроенный текст. PyMuPDF рекомендует проверить, нужен ли OCR, прежде чем запускать его для страницы.
- Направляйте чистые печатные сканы без пригодного текста в классический OCR.
- Направляйте таблицы, страницы с низкой оценкой уверенности, рукописные области и сложную разметку в VLM или специализированный парсер.
- Для полей требуйте structured output, затем проверяйте значения по странице. Схема может обеспечить структуру полей, но не доказывает, что значение есть в документе.
- Сохраняйте исходные спаны, номера страниц, ограничивающие прямоугольники, если они доступны, и версию модели.
- Выбирайте документы для ручной проверки по оценке уверенности, типу документа и влиянию на последующие процессы.
Добавляйте роутинг, если тесты показывают, что для разных типов страниц нужны разные методы. Проверьте, что роутер не отправляет сложную страницу по пути, на котором теряются обязательные поля.
Чеклист эвалуации
Не оценивайте OCR только по доле ошибок распознавания символов. Для анализа документов с AI отслеживайте:
- точность на уровне полей для извлеченных значений
- сохранность ячеек таблиц
- точность порядка чтения
- покрытие страниц
- долю неподтвержденных полей
- подтверждение цитатами или спанами для извлеченных утверждений
- долю исправлений человеком
- стоимость на страницу и латентность на документ
Дополнительные материалы
- OCR в 2026 году: пайплайны, VLMs, разметка, эвалуация и стоимость.
- Метрики эвалуации RAG актуальны, когда OCR подает данные в retrieval-систему.