现在是不是 AI 都淘汰了 OCR 了?

144 天前
 xuanjiangsara

搜索了一遍竟然上一个帖子在去年。。。。 现在如果是单张很方便,扔给 Chatgpt4o 或者 claude 。但是对多张 pdf 就不友好了。或者觉得大材小用?? 有人有解决方案么?

3282 次点击
所在节点    分享创造
17 条回复
gxt92
144 天前
我觉得 OCR 变成了 AIGC 的前置处理流程或者说一部分了,而不是被淘汰
lovestudykid
144 天前
@gxt92 #1 现在多模态模型应该是直接处理图片,而不是 OCR 了再处理
SkywalkerJi
144 天前
yolo5 之类的模型不知道能不能有突破。
lekai63
144 天前
还是用回 OCR 呗
czfy
144 天前
要经典的,有 白描 https://baimiao.uzero.cn/
要开源的,有 Umi-OCR https://github.com/hiroi-sora/Umi-OCR
如果你说要更底层的,那就是 Umi-OCR 上用的 PaddleOCR https://github.com/PaddlePaddle/PaddleOCR
maolon
144 天前
实际上主流的 rag 开源项目,比如网易的 qanything ,ocr 依然是主力识别的手段,单纯用多模态有两个问题一是太慢,二是不够稳定
RiESA
144 天前
但是 AI 又没眼睛,怎么去"看"图片呢? 不也得依赖 OCR 之类的东西来读取图片
Imr
144 天前
@czfy 还有 https://github.com/tesseract-ocr/tesseract ,不少开源 rag 用
paidaxtis
144 天前
首先 OCR 也是 AI
其次目前 VL 大模型对传统 OCR 任务还是比较一般,更适合非结构化的 OCR 任务
最后 VL 大模型做 OCR 太贵了,成本是几十上百倍.目前没看到有同行敢直接换的
DjvuLee
144 天前
单纯的 OCR 确实是的,主要是缺少语义,导致有一些识别不了。

比如 Apple Notes 里面的 checkbox 就很容易识别为字母 O 。但是大模型有语义之后可能就能识别出这个是一个 checkbox 。

我们正好做了一些这个方面的尝试,有兴趣可以看看我们的产品 ScreenAI: https://v2ex.com/t/1054303
maemolee
143 天前
OCR 是一个应用场景吧?就是 图片内文字提取。你通过传统手段或者 AI 手段实现,都没关系,都能达成一样的目的,甚至 AI 还给 OCR 场景提升了使用体验。
xuanjiangsara
143 天前
@lovestudykid 我觉得你说的对。我没有证据支持,但是就是感觉 AI 肯定用了 OCR ,但是记得看了个新闻说用 AI 识别烧焦的古迹,我觉得就是绝对不是 OCR 识别后才给下一道 AI 继续做这么简单
xuanjiangsara
143 天前
@maemolee 因为有一个 AI 接手了,我就可以扔掉 N 个本地 ocr apps 。步骤越少越好。
xuanjiangsara
143 天前
@paidaxtis 我觉得 ocr 本身的 AI 就像黑与白游戏里的宠物的智能。仿佛很 AI 。但是某个场合就降维弱智折腾你。但你说的,说白了还是。。。贵。哈哈,万恶之源
xuanjiangsara
143 天前
@DjvuLee Apple Notes 还有这么蠢的时候?!用多少没留意过。我那天先看到你们的产品帖子了,只是我还没买 mac 。倒是很期待等 APPLE Intelligence 打磨好了,我想看你们怎么跟系统对接好。一定效率刚刚的。
xuanjiangsara
143 天前
@czfy
@Imr 看过这几个,一直没装。这回看看如何。曾装了个熊猫 ocr 对接各种国内大公司,感觉麻烦。
ko1haha
141 天前
有道、谷歌翻译相机 实时 ocr 有可能用多模态?速度没那么快吧。强强配合 才是王道。

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/1054358

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX