OCRFlux-3B：智能文本识别工具包

一、教程简介

OCRFlux-3B 是由 ChatDOC 团队于 2025 年 6 月 17 日发布的基于多模态大型语言模型的工具包，用于将 PDF 和图像转换为干净、可读、纯文本的 Markdown 文本。该工具不仅提供了页面级别的文本转换功能，还支持跨页面的表格和段落的合并，为处理复杂文档结构提供了强大的支持。

本教程采用资源为单卡 RTX 4090 。项目提供了 PDF Document 、 Image Document 和 Multiple Files 三种演示示例。

二、项目示例

PDF Document

Image Document

Multiple Files

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

2. 使用步骤

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 2-3 分钟后刷新页面。

PDF Document

参数说明

• Advanced Settings：
  • Target Image Dimension：目标图像尺寸，用于控制生成图像的尺寸。
  • Max Page Retries：最大重试次数，用于处理 PDF 页面解析错误。
  • Skip Cross-Page Merge：跳过跨页合并，用于处理文档中跨页的内容。

Image Document

Multiple Files

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓