与「OCR」相关的搜索结果

DeepSeek 这次干了件比发新模型更实在的事！！！ 把自家 App 背后的能力，直接拆成 API 开放了。 以前想复刻 DeepSeek 官方 App 的体验，光接搜索、解析 PDF、抓取网页、处理语音，就得折腾半天。 现在联网搜索、深度思考、文件解析、网页抓取、OCR、语音处理，都可以直接通过 API 调用。 而且搜索、抓取、OCR、语音转文字、文字转语音，还能单独接入。 底层用的就是 DeepSeek V4.1 Flash。 对小团队来说，这个更新价值高得离谱，再也不用自己搭一堆工具链了。 还是那句话，有人用起来才有价值。DeepSeek 现在开始把模型能力变成真正能拿来干活的产品能力了！！！

🚀 The full DeepSeek App experience, now via API Search, files, links, safety, and voice. The capabilities behind the DeepSeek App are now available through the DeepSeek API. Enable built-in features with a few parameters, or call standalone APIs such as OCR, ASR, and TTS. Build richer conversations or recreate the full DeepSeek App in your own application. Try our open-source frontend demo, with support for importing DeepSeek conversation history. 🔗 Demo: 📦 Code: 📖 Details: 1/4

Today, @llama_index is an applied research lab for document OCR and document work. Our core focus is investing in building the best-in-class models+ agents at the pareto frontier of accuracy/cost/latency for document processing. To do this, we have to invest in all the different components around the research infra stack: 1. Building comprehensive and fair benchmarks. Today we have ParseBench, ExtractBench, and ExtractBench Pro. They're already the most popular benchmarks in parsing and extraction today, and we're just getting started. 2. Investing in data curation and synthetic data generation. 3. Investing in compute and our training pipeline. This has produced models like OCRia-1. 4. Investing in agent optimization - tune everything around the models to further hillclimb cost and accuracy. 5. Closing the loop based on feedback - whether from active usage of our product, implicit/explicit customer feedback, or automated verification. We are accelerating our capabilities at a crazy pace. Today, our work is documented in our research page: There is a lot more to come!

EnConvo：All in One的AI助手 EnConvo是最近新出的AI助手，功能最全面，你能想到的功能都有了，基本上接管了我的macOS，可以说是系统级的全能AI中枢。 符合我需求的主要是两方面：第一是可以便捷的给AI助手配置全面的外接能力，包括生图、生视频、语音识别、合成语音，给AI助手补充上完整的能力，相当于眼睛、嘴巴、耳朵、画笔都有了，适合媒体创作；第二是全面融合到电脑里的任意应用，我现在是在Chrome里开问问Gemini侧边栏、在PPT开Claude侧边栏，在Notion里因为没买他的AI会员就只能复制粘贴使用，使用EnConvo可以扩展到每个应用的侧面直接用，也支持快捷键快速唤起和全局语音输入，免去了所有的复制粘贴。 而且EnConvo能接入你已订阅的AI，包括GPT、Claude等，不付费也是完全能用的，付费则可以按量使用Opus模型。 EnConvo的功能有多全面，请看我大致挖掘的功能列表。 EnConvo= Codex：编程、工作、Computer Use +多媒体工作台：ASR、TTS、OCR、生成图片、生成视频，其中的ASR、TTS、OCR支持配置本地模型，使用Opus+这些能力，就是天然的多媒体Agent，可以实现翻译视频、一键生成短剧等功能 +飞书会议：发起多人会议、实时转录、会议纪要 +豆包输入法：按住右侧Command键语音输入。而且不会像豆包那样抢占输入法 +Ollama：下载适合电脑配置的模型，然后本地运行 +UU远程：手机端EnConvo连接电脑，可以远程操控 +全局语音唤起：按右侧的option即可语音输入发起聊天，AI同时用文字+语音回复 +划词搜索：类似苹果自带的三指查询，选中词条或句子可以唤起工具栏，翻译/解释/AI润色/问问AI等自定义工具 +应用侧边栏：吸附在当前正在使用的应用旁，伴随式协助阅读、编程或写作 +桌面宠物：可以互动和派任务 +Live Talk实时对话：类似GPT的实时语音对话 +下载视频：YouTube、X、Tiktok等均可下载 +知识库：导入和管理知识库 因为能配全套的音视频能力，制作大肥鱼视频是完全没问题的。看看大肥鱼来讲解黄仁勋出轨事件的来龙去脉。 官网免费下载：

Introducing omni-macos: a semantic Finder for Apple Silicon. It was first released months ago, but now getting really good and becoming my daily productivity. Over the last few months I've kept improving fully local, on-device semantic search for my everyday agentic use. The goal: a local multimodal search engine that's easy for both humans and agents, fast, and handles CRUD in real time. After years of working on embedding and reranker models, I figured this would be easy, especially with coding agents hill-climbing tps for you. Turns out making it actually good is pretty damn hard. I've also seen other projects like zvec-grep going after the same thing, but I think most of them miss some key points about local search, especially on personal devices. They optimize for efficiency and relevance, which is fair with a SaaS mindset, but not enough for an air-gapped personal device: - Efficiency matters, but on a laptop, an indexer that hogs the machine to finish sooner is worse than one that takes a bit longer and you never notice. - Personal files are massively duplicated: v1, v2, v-final, v-final-final, plus backups, often with only tiny diffs between them. So using the file as the indexing unit is inefficient. - Some files get edited all the time, but only a small part changes each time. Reindexing the whole file is, again, a waste. - CRUD needs to be handled properly at the folder level. - You only have one GPU interface and it's non-preemptive. Embedding needs it, vector search needs it, OCR needs it. You can't lower the priority of work that's already queued, so priority can only be set at admission.

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。