Eine Zusammenfassung Der Sechs Wichtigsten OCR-Modelle, Die Von Google, IBM, Tencent, Xiaohongshu Und Der Tsinghua-Universität Als Open Source Bereitgestellt Werden Und Über Leichte Architekturen Verfügen, Die Die Erkennungsgenauigkeit Und -effizienz steigern.
Unter den vielen Anwendungen künstlicher Intelligenz ist OCR (Optical Character Recognition) zweifellos eine der ausgereiftesten und praktischsten Technologien.Das Hauptziel von OCR besteht darin, Zeichen in Bildern, gescannten Dokumenten, Straßenszenen, Rechnungen und sogar handschriftlichem Text automatisch in bearbeitbaren und durchsuchbaren digitalen Text umzuwandeln.Die frühe OCR-Technik basierte stark auf Regeln und Vorlagen, hatte nur eingeschränkte Funktionalität und konnte oft nur gedruckte Zeichen erkennen. Mit der Einführung von Deep Learning, insbesondere Convolutional Neural Networks (CNNs) und Sequenzmodellierungsmethoden, haben die Erkennungsgenauigkeit und der Anwendungsbereich von OCR jedoch einen qualitativen Sprung gemacht.
Heute wird OCR in zahlreichen Szenarien eingesetzt, beispielsweise bei der automatisierten Verarbeitung von Finanzrechnungen, der Überprüfung von Ausweisdokumenten, der Kennzeichenerkennung, der Digitalisierung von E-Books, der intelligenten Übersetzung und der Eingabe medizinischer Dokumente.Forschung und Industrie haben außerdem eine Reihe repräsentativer Modelle und Rahmenwerke hervorgebracht.Beispielsweise legte CRNN (Convolutional Recurrent Neural Network) den Grundstein für das klassische Paradigma der End-to-End-Texterkennung, und Strukturen wie TPS-ResNet-BiLSTM-Attention haben die Entwicklung der Texterkennung in komplexen Szenen vorangetrieben. Vom revolutionären Technologiemodell InkSight von Google bis zu den kürzlich eingeführten Leichtbaumodellen POINTS-Reader und Granite-docling,Die OCR-Technologie hat großes Potenzial bei einfachen, sprachübergreifenden und multimodalen Erkennungsaufgaben gezeigt.
Derzeit wurden im Bereich „Tutorials“ der offiziellen HyperAI-Website mehrere Open-Source-OCR-Modell-Tutorials veröffentlicht. Wenn Sie die leistungsstarken Funktionen der OCR-Technologie für die effiziente Extraktion von Bild- und Textinformationen, die Szenenerkennung sowie die mehrsprachige und mehrformatige Zuordnung erleben möchten, besuchen Sie bitte den Tutorial-Bereich von hyper.ai, um das Tutorial mit einem Klick zu erkunden!
1. POINTS-Reader:Leichtes Modell ohne Destillation und End-to-End
* Online ausführen:https://go.hyper.ai/amhh4
Dieses gemeinsam von Tencent, der Shanghai Jiao Tong University und der Tsinghua University entwickelte Modell ist ein leichtgewichtiges Vision-Language-Modell (VLM), das speziell für die Konvertierung von Dokumentenbildern in Text entwickelt wurde. Mithilfe eines zweistufigen selbstevolutionären Frameworks erreicht es eine hochpräzise End-to-End-Erkennung komplexer chinesischer und englischer Dokumente (einschließlich Tabellen, Formeln und mehrspaltiger Layouts) bei gleichzeitiger Beibehaltung einer minimalistischen Struktur.
2. Granite-docling-258M: Ein leichtes multimodales Dokumentverarbeitungsmodell
* Online ausführen:https://go.hyper.ai/BBXlC
* Schritt-für-Schritt-Anleitung:Neudefinition der nächsten OCR-Generation: Das neue Open-Source-Produkt Granite-docling-258M von IBM ermöglicht ein durchgängig einheitliches Verständnis von „Struktur + Inhalt“.
Dieses leichte visuelle Sprachmodell wurde im September 2025 von IBM eingeführt und ist für die effiziente Dokumentenkonvertierung konzipiert. Mit nur 258 Millionen Parametern bietet das Modell außergewöhnliche Leistung und Kosteneffizienz und unterstützt mehrere Sprachen (darunter Arabisch, Chinesisch und Japanisch). Es konvertiert Dokumente in ein maschinenlesbares Format und behält dabei Layouts, Tabellen, Formeln und andere Elemente bei. Das verwendete DocTags-Format beschreibt die Dokumentstruktur präzise und verhindert so Informationsverlust.
3. dots.ocr: ein mehrsprachiges Dokumentanalysemodell
* Online ausführen:https://go.hyper.ai/o0Bm0
* Schritt-für-Schritt-Anleitung:Online-Tutorial | dots.ocr durchbricht die Abhängigkeit von strukturierten Dokumenten und erreicht modernste OCR-Leistung in Hunderten von Sprachen basierend auf 1,7 Milliarden Parametern.
Dieses im August 2025 von Xiaohongshus hi-Labor veröffentlichte Modell ist ein mehrsprachiges Dokumentlayout-Parsing-Modell. Basierend auf einem VLM mit 1,7 Milliarden Parametern integriert es Layout- und Inhaltserkennung und behält dabei eine gute Lesereihenfolge bei. Trotz seiner geringen Größe erreicht es eine hochmoderne Leistung und erzielt hervorragende Ergebnisse bei Benchmarks wie OmniDocBench. Seine Formelerkennung konkurriert mit Doubao-1.5 und Gemini2.5-Pro und zeigt deutliche Vorteile beim Parsen von Minderheitensprachen. Das Modell zeichnet sich durch eine einfache und effiziente Architektur aus, wobei für den Taskwechsel lediglich eine Änderung des Eingabeworts erforderlich ist. Dies führt zu einer hohen Inferenzgeschwindigkeit und macht es für eine Vielzahl von Dokumentparsing-Szenarien geeignet.
4. MonkeyOCR: Dokumentenanalyse basierend auf Struktur-Erkennungs-Beziehung
* Online ausführen:https://go.hyper.ai/2SDMC
* Schritt-für-Schritt-Anleitung:Mit 2,6.000 Sternen übertrifft MonkeyOCR-3B das 72B-Modell bei der Analyse englischer Dokumente und erreicht die SOTA-Leistung
Dieses gemeinsam von der Huazhong University of Science and Technology und Kingsoft Office als Open Source entwickelte Dokumentanalysemodell wandelt unstrukturierte Inhalte effizient in strukturierte Informationen um. Durch präzise Layoutanalyse, Inhaltserkennung und logische Sortierung verbessert es die Analysegenauigkeit und -effizienz deutlich. Die Leistung verbessert sich bei komplexen Dokumenten um durchschnittlich 5,11 TP3T, bei Formelanalysen um 15,01 TP3T und bei Tabellenanalysen um 8,61 TP3T. Die Mehrseitenverarbeitungsgeschwindigkeit erreicht 0,84 Seiten pro Sekunde und übertrifft damit vergleichbare Tools deutlich. Es unterstützt eine Vielzahl von Dokumenttypen und Sprachen und eignet sich für den Einsatz in Szenarien wie Abschlussarbeiten, Lehrbüchern und Zeitungen. Es bietet umfassende Unterstützung für die Digitalisierung und Automatisierung von Dokumenten.
5. GOT-OCR-2.0: Das weltweit erste universelle End-to-End-OCR-Modell
* Online ausführen:https://go.hyper.ai/NGNZi
Dieses einheitliche End-to-End-Modell wurde gemeinsam von StepFun, Megvii Technology, der Universität der Chinesischen Akademie der Wissenschaften und der Tsinghua-Universität entwickelt. Es basiert auf der universellen OCR-Theorie und nutzt eine integrierte Architektur, um die OCR-Genauigkeit und -Effizienz deutlich zu verbessern. Das Modell ist flexibel und anpassungsfähig, unterstützt die Erkennung von Szenentexten und verarbeitet effizient mehrseitige Dokumente. Dadurch eignet es sich für eine Vielzahl komplexer Anwendungsszenarien.
6. InkSight-Demo: Handschriftlichen Text digitalisieren
* Online ausführen:https://go.hyper.ai/LofxZ
* Schritt-für-Schritt-Anleitung:Mehr als herkömmliche OCR! Ein-Klick-Bereitstellung von Googles neuester Errungenschaft InkSight: Genaue Erkennung von handgeschriebenem Text, kein Druck auf Chinesisch und Englisch
Diese revolutionäre KI-Technologie, die 2024 von Google Research eingeführt wurde, ahmt den menschlichen Lese- und Lernprozess nach, indem sie handgeschriebenen Text kontinuierlich neu schreibt und lernt und so ein Verständnis für das Aussehen und die Bedeutung des Textes entwickelt. Menschen können von InkSight generierte Textnachzeichnungen mit einer Genauigkeit von bis zu 871 TP3T lesen. InkSight zeigt eine noch höhere Erkennungsgenauigkeit bei handgeschriebenem Text vor komplexen Hintergründen, bei Unschärfe oder schlechten Lichtverhältnissen.