我自己平常用一些简单的 OCR 是直接用微信自带的了，但是一些复杂的功能微信肯定还是做不到的。
问题：需求是否真的存在？
 |
1
aeron Jul 19, 2025
知识库这方面，很多资料是 pdf ，ppt 之类的，没有太精准的工具转成 markdown 这类文本后还能保留原有的结构和内容，所以需要 vlm 来做内容提取
|
 |
2
love060701 Jul 19, 2025
OCRFlux ，开源最佳
|
 |
3
1145148964 Jul 19, 2025
需要。
|
 |
4
noneofmyb7s Jul 20, 2025
最大的问题是太慢，用 qwen2.5-vl-7b ，不带提问只抽取的话大概是 10s/page ，带一些问题理解的抽取要 20~60s/page 了，传统 ocr 会快得多
|
 |
5
huc2 OP @noneofmyb7s 如果只是一个小截图的公式的话速度其实还行。解析 pdf 的话速度慢确实，优势可能就是可以帮你自动排版了，可能如果 pdf 有水印可以自动帮你忽略水印
|
|
6
huc2 OP @love060701 star 了，模型是开源的？其实如果是通用的 vlm 的话，会更灵活一些，比如还能指定输出的格式。
|
 |
7
FengJQ Jul 21, 2025
效果和准确性确实吊打传统 OCR , 最大的问题是太慢了。 不知道本地部署 OCRFlux 速度怎么样？
|
 |
8
Selenium39 Jul 21, 2025 via iPhone
mistral ocr 效果最好，可以在 https://llmocr.com 尝试一下
|
|
9
huc2 OP @Selenium39 他这种怎么做到完全免费的？感觉很烧钱啊，如果用户多了。
|
 |
10
kandaakihito Jan 1
最近刚好在玩 ocr 和 vlm 这类玩意，发现 qwen 的 8b 以下模型根本处理不了复杂图片，要想不浪费人力复核就得一步到位使用 32b 的 vlm ，另外输出格式也是一道坎
|
Select Language