与「OCR」相关的搜索结果

Codex、WorkBuddy 等 Agent 已经能读取 PDF。面对扫描件、多栏排版、跨页表格和公式时，解析质量仍会直接影响后续的检索、问答和数据提取。 Mac 上可以本地运行的 PDF parser 很多，PaddleOCR、GLM-OCR、MinerU 等工具的安装方式和运行环境各不相同。文档类型变化后，想换一个 parser 重新处理，通常还要重新配置。 DocDot @docdotai 把多个本地 parser 集中到了同一个 CLI 中管理。 官方安装命令： curl -fsSL | bash 安装 DocDot 后，可以在 NanoDoc、PaddleOCR、GLM-OCR、MinerU、LiteParse 之间安装和切换，并将 PDF 解析为 Markdown 或 JSON。后续还会继续增加新的 parser。 DocDot 也提供了 Web Mode。运行 `docdot web` 后，可以在浏览器中并排比较 3 个 parser 的结果。遇到复杂表格、公式或特殊排版时，可以根据实际输出选择更合适的解析器。 根据官方说明，安装程序还能扫描本机的 Codex、Claude Code、OpenClaw、Hermes 等 Agent，并配置相应的 Skill；需要接入其他应用时，也可以通过 MCP 调用。解析在本机运行，PDF 无需上传，目前主要面向 Apple Silicon Mac。 我在 Mac 上安装了 DocDot 和 NanoDoc，并准备了一页包含中英文、表格和公式的 PDF。 首次启动完成模型编译后，再次解析同一份 PDF 用时约 2.3 秒。正文和公式基本准确，表格结构得到保留，小字号表头仍有少量误识别。 这只是一份单页样本，不能替代完整的性能测试。官方技术报告使用了 4,231 页、64 类文档进行比较，NanoDoc 的综合质量和 Table TEDS 在参测解析器中均排名第一。 DocDot 今天在 Product Hunt 上线：

把 PDF、Office 文件、扫描件、截图、图表、公式和流程图转成 AI 可检索、可引用、可推理的 Markdown 模型用你自己配的 OpenAI 兼容端点（本地或私有部署均可），不用单独搭 OCR、版面、表格、公式一整套模型栈。

中国开源了一个花生大小的OCR，能一次性解析整个100页PDF。 叫'Unlimited-OCR'。仅3B参数。本地运行。 其他OCR工具都是逐页切割文档，容易丢失上下文。这个一次性读取整个文档。 → 单次'长视野'解析（32K上下文窗口） → 开箱即用多语言支持 → 标准基准测试93%准确率（+6超基线） → 40页以上<0.11错误率 → 100%本地运行 → 支持Transformers、vLLM、SGLang、Docker、Ollama、llama.cpp 传统云端OCR（Textract、Google Vision、Azure）成本1.5-15美元/千页。 这个在你的机器上运行。永久免费。 百度开发它来推进'DeepSeek-OCR'。已在HuggingFace获190万次下载，多数人还不知道它。 100%开源。

China open-sourced a peanut-sized OCR that parses entire 100-page PDFs in one shot.. It's called Unlimited-OCR. Only 3B params. Runs locally. Every other OCR tool chops your doc into pages and loses the thread. this one reads the whole thing in a single pass. → One-shot "long-horizon" parsing (32K context window) → Multilingual, out of the box → 93% on the standard parsing benchmark (+6 over baseline) → <0.11 error rate past 40 pages → Runs 100% locally on your own hardware → Works with Transformers, vLLM, SGLang, Docker, Ollama, llama.cpp Traditional cloud OCR (Textract, Google Vision, Azure Doc Intelligence) costs $1.50–$15 per 1,000 pages. This runs on your machine. For free. Forever. Baidu built it explicitly to push DeepSeek-OCR one step further. Already at 1.9M downloads on Hugging Face and most people have no idea it exists yet. 100% open source.

很多人用 OCR 工具都踩过坑：要么慢，要么经常认错。 我最近试了 RapidOCR 这个开源项目，感觉确实比之前用的几个顺手不少。 完全免费开源，支持 Python、C++、Java、C#，用了# ONNX 格式后速度明显更快，资源占用也低。 默认就能认中英文，几行代码就能跑，还支持完全离线。 安装就一条 pip 命令的事。GitHub 搜 RapidOCR 就能找到。 现在还在用 OCR 的朋友，你们现在用的是哪个工具？评论区说说看。

🚨 OCR İçin Artık API Parası Ödemeyin Birçok kişi hâlâ bulut tabanlı OCR servislerine sayfa başı ücret ödüyor. Yeni açık kaynak proje **Ollama-OCR** bunu tamamen değiştiriyor: • Kendi bilgisayarında çalışıyor (internet gerekmiyor) • API anahtarı veya abonelik yok • Görüntü ve PDF’lerden metin çıkarabiliyor • El yazısı, fatura, makbuz ve tabloları okuyabiliyor • Markdown, JSON ve düzenli veri çıktısı verebiliyor • Hassas belgeler cihazdan dışarı çıkmıyor (tam gizlilik) Tek komutla kurulum: `pip install ollama-ocr` GitHub: API bağımlılığından kurtulmak isteyenler için güçlü bir alternatif. #OCR# #OpenSource# #Ollama# #AI# #Privacy#

百度OCR是目前较为好用的「免费OCR识别」服务 身份证直接申请，免费额度完全够个人自用 搭配可以外接第三方OCR服务的软件，Win、Mac、Linux可以实现完全0语言障碍

QVAC SDK 0.14.0 is live. This release makes the on-device stack faster on mobile, ships the developer-agent path, and takes local text-to-speech to 31 languages. Main highlights: - OpenCode and OpenClaw. The first official OpenCode plugin, plus a maintained OpenClaw compatibility path, both built on managed mode and qvac serve. Point a coding agent at a local model with far less setup and far fewer surprises. - Brain-computer interface transcription, on the SDK. Take recorded neural signal data and decode it into text, fully on-device, no cloud. Stream it in chunks through a simple API. In 0.14 it runs GPU-accelerated on iOS. - Text to Speech in 31 languages with our Supertonic3 upgrade. VOICE AND SPEECH - Supertonic3 multilingual TTS, 5 languages to 31. - Chatterbox and Supertonic now run on the Android GPU, with lower memory use (especially on iOS), quantized s3gen Chatterbox support, and a fix for Chatterbox occasionally emitting random speech. - Whisper transcription now runs on the iOS GPU. Parakeet runs on the Android GPU, with steadier real-time streaming. VISION AND OCR - VLM multi-tile batching: high-resolution Pan and Scan images are encoded in one pass instead of tile by tile, for faster vision throughput. - OCR on ggml (EasyOCR and DocTR) reaches full speed parity with the onnx path, across Metal, OpenCL, and Vulkan. PLATFORM AND RELIABILITY - Dynamic compute backends on Linux: one build picks the right backend at runtime, and opens the door to ROCm and CUDA support without per-backend builds. - Thinking tokens are kept out of the model context, so reasoning no longer fills the KV cache. SDK 0.14.0 is now leaner and faster to start. Let’s build.