与「OCR」相关的搜索结果

阿里把团队内部用了两年的官方 AI Code Review Skills 开源了，采用 “确定性工程 pipeline + AI Agent” 的混合架构，专门解决通用 Agent 做代码审查时 “漏审、定位漂移、质量不稳” 的老问题。 40.5K ✨ 开源项目 OpenCodeReview： # 核心设计：确定性工程 pipeline × Agent 各司其职 确定性工程负责硬约束： · 精确文件选择：用代码决定哪些文件必须审、哪些要过滤，不依赖模型自觉； · 智能文件捆绑：把相关文件合成一个审查单元（例如 message_en.properties 和 message_zh.properties 捆绑），每个单元以上下文隔离的 sub-agent 运行，分治策略让超大变更集也稳，且天然支持并发（默认 8 个文件 worker）； · 细粒度规则匹配：内置约 54 个按语言/文件类型的规则文档（Java、Go、TS/JS、Python、Rust、SQL/XML mapper、properties 等），用模板引擎而非自然语言把规则匹配到文件特征上，从源头消除信息噪声； · 外部定位与反思模块：评论的“落点”和“内容”分别由独立的 re-location 和 reflection 模块系统性校正，这正对“位置漂移”痛点。 Agent 负责动态决策： · 深度优化的场景 prompt（内部分为 plan → grouping → main → memory_compression → re_location → review_filter 多个任务模板，可在 internal/config/template/prompts/ 看到）； · 从海量生产环境的 tool-call 轨迹（调用频率分布、单工具重复率、新工具对调用链的影响）反向蒸馏出的专用工具集，包括全文件读取、代码搜索、其他变更文件查阅等，比通用 agent 工具箱更小更稳。 # 能力面与生态集成 功能上覆盖：workspace/分支区间/单 commit 审查、断点恢复（ocr session）、全文件 scan（无 git 历史也能审计陌生代码库）、本地 Session Viewer 网页查看与回放、SARIF/JSON 输出、OpenTelemetry 可观测性、MCP Server 扩展。 作为 “Skills 生态” 级项目，它的形态相当完整：既提供 npm 全局 CLI，也提供可移植的 Agent Skill（skills/open-code-review/SKILL.md，带标准 frontmatter，可直接被兼容 skill 的 agent 加载），还有面向 Claude Code、Codex、Cursor、Kimi Code、OpenCode 等平台的插件，每种都封装成斜杠命令或可调用 skill。LLM 侧兼容 OpenAI、Anthropic、AWS Bedrock 三类协议，并可直接复用 Claude Code 的 ANTHROPIC_* 环境变量。 其中一个设计很巧妙：Delegation 模式（ocr delegate preview/rule）。此时 OCR 只做自己擅长的确定性部分（文件选择和规则解析）审查本身交给宿主 coding agent 的 LLM 执行，用户无需给 OCR 配任何 API key。这实际上是把“harness 能力”与“模型能力”彻底解耦。 # 工程质量：超出平均水准的部分 · 安全有正式的 Assurance Case（ASSURANCE_CASE.md）：完整的威胁模型、四条信任边界、T1–T7 威胁逐条给出缓解措施，并按 Saltzer & Schroeder 设计原则和 OWASP Top 10 做了映射。细节经得起推敲：所有外部进程调用只限 git 且子命令硬编码、--end-of-options 防 flag 注入；Agent 读文件路径经 pathutil.WithinBase() 在符号链接解析前后双重校验；本地 Viewer 有 Host 白名单防 DNS rebinding + 严格 CSP。这类文档在一般开源项目里非常罕见。 · 贡献规范近乎严苛（AGENTS.md）：使用 AI 必须在 issue/PR 中披露工具与模型、必须逐行理解 AI 生成的代码、禁止“AI 生成→反复修复→再修复”的循环、禁止把 commit 署名给 AI。源码强制英文（CI 有 english-check，连全角标点都查）、90% 测试覆盖率门槛、-race 与 govulncheck 每次 push 都跑、SPDX 头与 LF 行尾强制。 # Benchmark：数据情况 官方基准 AACR-Bench（已在 Hugging Face 开放）规模不小：50 个流行开源仓库、200 个真实 PR、10 种语言、80+ 资深工程师交叉验证出 1505 条标注问题。结论是同模型对比 Claude Code：Precision 和 F1 显著更高、token 消耗约为 1/9、速度更快。 需要指出两点：其一，Recall 低于通用 agent，README 自己承认这是“以精度换噪声”的刻意权衡，如果你最怕漏问题而非误报，可能不适合；其二，该基准由阿里自建，虽开放了数据集供社区复核，但独立第三方的复现结论目前还少，可以把它当作“有披露的、方向可信的参考”。

这个精简 OCR 模型，能一次性处理完整 100 页 PDF。 它叫 Unlimited OCR，只有 3B 参数，完全跑在本地硬件上。 大多数 OCR 工具会把文档拆成单页，丢失整体上下文。这个模型用连续方式一次读完整个文档。 单次长程解析，32K 上下文窗口 默认支持多语言 标准解析基准上准确率 93%，比基线高 6 个点 超过 40 页后错误率仍低于 0.11 完全离线运行，不依赖云端 兼容 Transformers、vLLM、SGLang、Docker、Ollama 和 llama.cpp 传统云 OCR 服务如 Textract、Google Vision、Azure Document Intelligence，每 1000 页通常收费 $1.50 到 $15。 这个模型跑在你自己的硬件上，用多久都不花钱。 百度开发它就是为了超越 DeepSeek OCR。Hugging Face 上已有 190 万下载，但大部分用户还不知道。 100% 开源。

Still digging through emails one by one at month-end — downloading attachments, renaming files, filling Excel? InvoiceFlowAI: Open-source invoice auto-organization tool. - Batch collect PDF / OFD / XML from QQ / 163, and even pull invoices that only have download links - OCR extracts amount, date, and invoice number, then archives by type - Matches hotel invoices with receipts, taxi invoices with itineraries - Auto-saves locally and generates an Excel summary - Desktop apps for Windows and macOS (Apple Silicon) Perfect for freelancers, small teams, and anyone who repeats the same reimbursement cleanup every month. 👉

月底报销还在一封封翻邮箱、下附件、改文件名、填 Excel？ 可以试试这款 开源发票自动整理工具 InvoiceFlowAI： 👉 -从 QQ / 163 批量收 PDF、OFD、XML，部分只有下载链接的发票也能自动拉下来 - OCR 识别金额、日期、票号，按类型归档 -住宿发票配水单、打车票配行程单 -自动归档到本地，并生成 Excel 汇总表 -支持 Windows 和 macOS（Apple Silicon）桌面版 比较适合发票多、每月都要重复整理报销材料的个人、自由职业者和小团队。

North-Micro-Vision-Instruct：多模态小模型 Cohere开源，仅2.4B参数，适合OCR、图片描述、视觉定位等任务，不适合复杂推理任务。评分比不上Qwen3.5-2B，Qwen在小模型领域几乎垄断领先。 模型：

百度的 PaddleOCR 和 Unlimited OCR 属于是给老板积德的开源项目吧： PaddleOCR 算是现在最好用的 OCR 了吧，模型纯 CPU 也能用，日常场景速度和效果都很好。 Unlimited OCR 对于长文档解析很强，试了个长 pdf，效果也很不错。

转自刘群MT-to-Death： 很多人不理解文本水印是怎么回事。 文本水印是嵌入到语言生成中的一种印记，比如可以用A/B两个同义词的时候总是选择B、可以用两种表达方式C/D的时候总是选择次高概率的D，这样文本看起来没有任何问题，但实际上是可以检测到的。 由于水印是加在文本内容上的，转变成图像再用OCR扫描出文本也没有任何用处。这种水印的添加和检测都是由大模型来做的，人很难感知到。 当然修改文本有可能破坏这种水印，但由于人不知道这些水印会加在那些词上，所以水印也很难全部破坏掉。

很多人觉得 AI 做不好验收工作，当下确实是这样的，因为它缺少判断的准则。人可以教它，但无法穷尽所有情况。 可 AI 有一个优势，它在边界思考上往往比人更全面、更多维。所以理论上，在进行测试的时候，AI 完全有机会测得比人更完善。 对 AI 测试来说，首先需要从两个关键能力入手。 第一，它要完整理解需求。 AI 应该针对需求和目标去测试，而不是只针对功能去测试。 未来的测试方法，会更偏向 BDD，而不是 TDD，甚至是 Goal Driven Verification。先理解这个需求为什么要做，最终希望解决什么问题，用户应该获得什么结果，再围绕这个目标去设计测试。 第二，它需要具备足够的手、脚、眼。 让 AI 真正能够看清软件、看懂软件，能够像一个人一样在界面上完成操作。 它需要学会编写 E2E 测试用例，通过 OCR、模拟点击、滑动、截图、录屏等方式，不断丰富自己对界面的认知，然后基于目标和需求，持续改善测试用例的完整性和鲁棒性。 我们团队现在实践的时候也是这么做的。 每一次迭代发版，AI 都会先把这个迭代所有的代码 diff 拿出来，理解一次这次核心改动的功能点到底是什么，然后开始编写对应的 E2E 测试用例。 刚开始写出来的时候，大部分测试其实都跑不过。 它会自己执行，再根据执行过程不断修正测试用例里的问题，直到整条链路能够真正跑通。 在整个验收过程中，它所有的点击、滑动、输入等操作都会被记录下来，同时保留截图和录屏，最终产生一篇完整的 E2E 测试用例文档和测试报告。 这篇文档里的信息其实非常丰富。 它会包含这次测试的目标、操作路径、操作截图、操作录屏、操作反馈，以及每一步执行之后软件真实呈现出来的结果。 然后 AI 会再回过头去理解这篇文档，重新判断整个过程是否真的达到了最开始的目标。 我觉得这才是 AI 测试真正应该走的方向。 测试不应该只是验证代码有没有跑通，也不应该只是验证某个按钮能不能点。它最终验证的是，这次改动有没有真正完成需求，有没有达到目标。