- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习与统计学
腾讯混元OCR大模型，本地部署，实测
大家好，我是章北海 前文我升了 CUDA、部署了 DeepSeek-OCRDeepSeek-OCR 本地部署（上）：CUDA 升级 12.9，vLLM 升级至最新稳定版 DeepSeek-OCR 本地部署 vLLM 离线推理，API 重写，支持本地图片、PDF 解析重写的 API 也支持 PaddleOCR-VL本地部署 PaddleOCR，消费级显卡轻松跑，支持本地图片和 PDF 文件 然后腾讯也来了：大模型 OCR 的黄金时代，腾讯开源混元 OCR，文档解析、视觉问答和翻译方面达到 SOTA，文中我提到想等等看新版 vLLM 来了再部署 可是看到 N 多同学部署失败，还有 HunyuanOCR 到底需要多少显存可以跑起来有点疑问 ，核心参数和官方教程没啥区别 docker run --rm --runtime=nvidia --name Hunyuan-ocr --ipc=host --gpus '"device=1"' -p 回到最开始问题，启动模型加上参数 --gpu-memory-utilization 0.66，也就是 16GB 启动模型，依然是 OK 的 而且速度丝毫没有下降
2K10编辑于 2025-12-24 腾讯云 TI-OCR 训练平台与 OCR 大模型解决方案概览
一、 产品定位与核心亮点 腾讯云 TI-OCR 训练平台是腾讯云（CSIG云与智慧产业事业群）推出的一站式OCR大模型开发与精调平台。 核心技术属性（OCR 大模型）： 端到端架构：摒弃传统“检测->识别->结构化”的多阶段流程，模型直接理解图片并生成结果，消除各阶段错误累积。 荣誉与背书 腾讯共建联合实验室：基于客户PB级业务数据，结合腾讯通用 OCR 预训练大模型与腾讯GPU大规模调度能力，孵化前沿能力并制定行业标准。 四、 典型案例 1. 解决方案：利用 TI-OCR 平台进行数据清洗挖掘与通用数据构造，结合场景数据合并与存储规范，依托腾讯GPU大规模调度能力和多机多卡训练加速技术，训练腾讯通用 OCR 预训练大模型。 解决方案：引入 OCR 大模型自动化申请材料的照片审核，利用模型精准识别各类资质证照，解决印章/水印等干扰，提取关键字段（如经营场所、地址等）。 成效： 审核业务机器转人工占比降低 80%。
21510编辑于 2026-05-31腾讯云 TI-OCR 训练平台与 OCR 大模型解决方案概要
其核心是基于自研的 OCR 大模型解决方案，旨在解决传统 OCR 技术在复杂场景下的技术瓶颈。 模型中心：内置模型（OCR、大模型）、模型训练、模型评测。 应用编排：应用发布、应用评测、自定义后处理。 管理中心：项目/成员管理、资源隔离、运行任务管理。 解决方案：利用客户 PB 级业务数据，经过数据清洗和通用数据构造，结合腾讯通用 OCR 预训练大模型和 GPU 大规模调度能力，进行多机多卡训练加速。 解决方案：引入 OCR 大模型识别各类资质证照，解决印章、水印等干扰，提取关键字段。 成效：有效降低机器转人工的比例达 80%，加速了商户自助办理业务的流程。 五、总结与模型家族概览 腾讯云 OCR 大模型家族由三大基座构成，构建了完备的 OCR 解决方案生态环境： 模型基座 定位 核心特性 输入形式 支持开放问答 参数规模 适用场景 DocLM 端到端文字图像理解
19210编辑于 2026-05-31腾讯优图多模态OCR大模型技术概览
一、产品定位与核心亮点 腾讯优图多模态OCR大模型（Optical Character Recognition，光学字符识别）是一种将图像中文字转化为可编辑文本的AI技术。 其核心技术属性为端到端的生成式多模态大模型，商业差异化卖点在于单一模型支持检测、识别、结构化及开放式任务，并通过Prompt驱动满足个性化需求，突破了传统多阶段定制模型泛化能力弱、定制成本高的瓶颈。 二、产品应用场景 金融保险行业：客户在处理全国各医疗机构出具的非标准化、版式复杂、内容多样、字迹潦草的医疗单据（如门诊病历、住院清单、检查报告）时，面临传统OCR字段识别错误率高、人工审核成本大的困境。 产品优势 端到端解决方案：统一模型解决OCR全链路问题，避免多阶段错误累积。 Prompt驱动个性化输出：支持用户通过自定义指令控制输出格式（如KV、Excel、Markdown）。 解决方案：使用文档智能产品基于多模态OCR大模型，进行深度语义理解+结构化抽取，关键字段覆盖报告解析、医疗表格、单据核对、诊断证明、医保报销等场景。
24210编辑于 2026-05-30- 来自专栏机器学习与统计学
撸了一个 OCR 大模型对比工具：DeepSeekOCR、PaddleOCR 和 混元OCR
大家好，我是 Ai 学习的老章 最近的 OCR 大模型我都做了本地部署和测试，还写了一个 API 统一对接这三个模型 ✅腾讯混元 OCR 大模型，本地部署，实测 ✅本地部署 PaddleOCR，消费级显卡轻松跑 成年人怎么还在做选择呢，必须全都要啊 我用 FastAPI 框架撸了一个简单的 OCR 模型对比工具，可以实现同样的提示词 + 图片/PDF，利用 Python 多线程并行调用 DeepSeek、Paddle 和 混元这三个模型的 API 进行解析，并将结果并排展示。 也可以切换到识别后的原始 Markdown，支持一键 copy 核心代码如下（完整代码接近 600 行，大多是 HTML 相关）： 我这里主要是模型本地部署，内网运行的，没再折腾线上部署。 感兴趣的同学可以试试，OCR 模型 API 部分替换成官方/第三方的 API，代码稍作修改就可以在线部署运行了。 #!
1.6K10编辑于 2025-12-21 - 来自专栏进击的Coder
Github 3.8k，人、车、OCR 等 9 大高精度超轻量图像识别模型全开源！！
而今天小编要给大家推荐的是一个完全开源免费的、覆盖人、车、OCR 等 9 大经典识别场景、在 CPU 上可 3 毫秒实现急速识别、一行代码就可实现迭代训练的项目！ 图2 9大场景模型效果示意图 亮点一：完美平衡精度与速度 从大名鼎鼎的 Resnet50 到如今火热的 Swin-Transformer，模型精度不断被刷新，但是预测效率并不高。 而使用 MobileNet 系列等轻量化模型可以保证较高的预测效率，在 CPU 上预测一张图像大约 3ms，但是模型精度往往和大模型有很大差距。 与此同时，PaddleClas 团队还发布了包括人、车、OCR 在内的 9 大场景模型，仅需 2 步就能实现业务 POC 效果验证，训练、推理、部署一条龙，真正实现“开箱即用”。 SSLD 预训练权重 SSLD半监督蒸馏算法可以使小模型学习到大模型的特征和 ImageNet22k 无标签大规模数据的知识。
2.1K40编辑于 2022-06-17 - 来自专栏机器学习算法与Python学习
Github 3.8k，人、车、OCR等9大高精度超轻量图像识别模型全开源！！
而今天小编要给大家推荐的是一个完全开源免费的、覆盖人、车、OCR等9大经典识别场景、在CPU上可3毫秒实现急速识别、一行代码就可实现迭代训练的项目！ 图2 9大场景模型效果示意图 亮点一：完美平衡精度与速度 从大名鼎鼎的Resnet50到如今火热的Swin-Transformer，模型精度不断被刷新，但是预测效率并不高。 而使用MobileNet系列等轻量化模型可以保证较高的预测效率，在CPU上预测一张图像大约3ms，但是模型精度往往和大模型有很大差距。 与此同时，PaddleClas 团队还发布了包括人、车、OCR在内的9大场景模型，仅需2步就能实现业务 POC 效果验证，训练、推理、部署一条龙，真正实现“开箱即用”。 SSLD预训练权重 SSLD半监督蒸馏算法可以使小模型学习到大模型的特征和ImageNet22k无标签大规模数据的知识。
2.1K20编辑于 2022-06-17 - 来自专栏技术专栏全家桶
大模型之DeepSeek-OCR2快速入门实战教程
于是，新的 OCR 模型开始出现，代表模型包括微软的 LayoutLM、百度的 PaddleOCR 2.0，以及多模态结构化识别模型 Donut、DocFormer、TextMonkey 等。 关注公众号【阳光宅猿】回复【加群】进入大模型技术交流群一起学习成长!!! 03、主流VLM与OCR模型 目前VLM模型有很多，除了主流的多模态在线大模型外，还有如Qwen-VL、InternVL、Gemma等 开源的视觉模型。 vLLM 是目前主流的高吞吐推理引擎之一，能够显著提升多模态大模型的推理速度与显存利用率，尤其在处理长文档或多页 PDF 时优势明显。 多语言混合识别模板 处理包含多种语言的文档： <image>\nOCR with multilingual support. 9.
3.6K10编辑于 2026-02-03 DeepSeek-OCR-2 开源 OCR 模型的技术
和其他OCR模型项目还是看自己的引用场景，通用场景还是建议使用最新的模型，识别准、理解准、排版准。2025-2026年，OCR（光学字符识别）领域迎来了开源大模型的黄金时代。 OCRBench860分3B参数以下模型SOTAOmniDocBench94.1分复杂文档解析最高分，超越Gemini3-pro文字检测识别70.92%自建基准，覆盖9大场景信息抽取92.29%卡片/收据 四、与其他主流OCR方案的对比4.1PaddleOCR：工业级成熟方案特点详情定位传统OCR工具库（检测+识别两阶段）优势生态完善、中文优化好、轻量模型多模型大小超轻量模型仅8.6MB适用场景移动端、边缘设备 4.2GOT-OCR2.0：学术界的统一模型特点详情定位统一端到端OCR-2.0模型架构生成式预训练（类似LLM）特点强调整体文档理解适用场景学术研究、复杂版式文档对比结论：GOT-OCR2.0与DeepSeek-OCR 4.3Qwen2-VL：通义千问多模态特点详情定位通用多模态大模型参数2B7B72B可选特点视觉-语言理解能力强，不仅限于OCR适用场景需要多模态理解（图像+文本+推理）的综合应用对比结论：Qwen2-
96210编辑于 2026-02-07- 来自专栏掘金安东尼
👾打开 RAG 对接大模型的黑盒 —— 9 大隐藏问题
Prompt 给他介绍一下相关背景，然后大模型就有更专业的应答能力了。 言而总之，大数据时代，很多公司都拥有大量的专有数据，如果能基于它们创建 RAG，将显著提升大模型的特异性。 对于很多人来说，RAG 的引入、与大模型的对接是一个黑盒，任何微小参数的变动都将引起结果发生很大的变化。 /模型没有回答问题/模型编造有害的或带有偏见的答案 接下来，一起揭秘：RAG 对接大模型的黑盒 —— 9 大问题 来源：Seven Failure Points When Engineering a Retrieval 总结 本篇提供了开发 RAG 通道 9 个痛点，并针对每个痛点都给了相应的解决思路。 RAG 是非常重要的专用检索+通用大模型的技术手段，在赋能模型、满足特定化场景中非常重要！
88610编辑于 2024-04-04 - 来自专栏【腾讯云开发者】
腾讯多模态OCR大模型最新技术演进：没有最强OCR，只有无限进化！
当前，在AI大模型热潮下，OCR技术正迎来新一轮生产力效率变革。 在实际应用中，大模型加持的OCR可以更准确、灵活应对不同行业复杂多样的文档格式与版式，助力企业实现业务流程自动化升级，大幅提升运营效率与数据处理准确性。那么，鹅厂的多模态OCR大模型如今进展如何呢？ 1.1 OCR 1.0：多阶段技术方案 在深入探讨OCR大模型之前，先回顾一下传统OCR技术的典型流程PPL。 腾讯优图 OCR 大模型（DocLM-Base） KV 结构化示例 1.3 OCR 3.0：多模态 OCR 大模型 常规结构化任务是基于场景或者版式做的定制处理，成本很高。 03、技术要点 3.1 腾讯优图 OCR 大模型技术演进路线 腾讯优图实验室对于大规模预训练OCR 模型的探索始于 2019 年，目前的 OCR 大模型属于第五代大规模预训练模型（DocLM v5
5.3K11编辑于 2025-06-21 - 来自专栏贾志刚-OpenCV学堂
OpenCV实现0到9数字识别OCR
使用OpenCV对0到9数字进行识别，实现简单OCR功能，基于CA（轮廓）分析实现特征提取，基于L1距离计算匹配实现数字识别。在排除干扰的基础上，识别精度可以达到98%以上。 整个算法分为两个部分，第一部分是特征提取，提取的特征实现了尺度不变性与轻微光照与变形干扰排除，第二部分基于特征数据进行匹配实现了相似性比较，最终识别0到9十个数字。
5.9K20发布于 2018-07-26 deepseek-ocr及其他ocr模型衍生应用的思考
关于deepseek-ocr相关的应用，一个最直观的能力应该是在前端界面上操作可以指定模型完成文档、图表、图像的识别、图像的标注等功能。 模型选择指南 模型 内存占用* 最佳硬件 适用场景 DeepSeek‑OCR ≈6.3GB FP16 权重，含激活/缓存约 13GB（512 token） Apple Silicon + Metal、 官方 DeepSeek-OCR 依赖 Python + Transformers，部署体积大、依赖多，嵌入原生系统成本高。 模型矩阵 本仓库当前暴露 3 个基础模型 ID，以及 DeepSeek‑OCR / PaddleOCR‑VL 的 DSQ 量化变体： Model ID Base Model Precision 建议使用场景 deepseek-ocr-q4k deepseek-ocr Q4_K 显存非常紧张、本地离线批处理等场景，在牺牲一定精度的前提下压缩模型体积。
58110编辑于 2026-03-13- 来自专栏大模型应用
大模型应用：多模态图文精准识别：基于本地化OCR模型应用实践.78
一、引言 在OCR技术从传统字符匹配向大模型多模态融合演进的当下，图片理解作为多模态技术的核心支柱，其重要性愈发凸显。 单纯的 OCR 模型已难以满足复杂场景的识别需求，而融合视觉 - 语言能力的多模态大模型，凭借对图片内容的理解能力，能轻松应对倾斜文字、复杂排版、多语言混合等传统 OCR 的痛点。 二、模型介绍 Qwen2-VL系列的轻量OCR专用模型，其相比传统OCR模型（如PaddleOCR 基础版）和其他大模型OCR（如 GLM-OCR），在轻量性、兼容性、识别能力上有显著优势 、多模态 OCR 核心工作原理 Qwen2-VL-OCR-2B-Instruct作为视觉 - 语言多模态大模型，其OCR识别逻辑与传统 OCR、单纯的大模型OCR有本质区别，核心是“视觉感知 六、总结 今天我们基于本地OCR模型构建了一个可直接落地的轻量多模态 OCR 智能体，这款模型的核心价值在于将多模态大模型的语言理解能力与 OCR 的视觉识别能力深度融合，既解决了传统 OCR
74333编辑于 2026-04-16 调用tesseact-ocr的traineddata模型进行ocr文字识别
自那时起，它一直在不断的更新和改进，成为了世界上最流行的OCR引擎之一。 核心技术 Tesseract利用了机器学习的方法，特别是在其后期版本中引入了基于长短时记忆（LSTM）网络的深度学习模型，这显著提高了其对文字的识别能力。 可定制性 Tesseract允许用户通过训练自己的模型来优化识别结果，这对于专门的应用或不常见的字体类型尤其有用。 应用场景 Tesseract OCR可以应用于多种文本识别场景，如： 文档数字化：将纸质文档转化为电子文档，便于存储、检索和编辑。 尽管Tesseract在某些复杂场景下的识别准确率可能不及专业的商业OCR软件，但其开源免费的特性以及不断进步的技术，使其在许多情况下仍然是首选的OCR工具。
74910编辑于 2025-07-17- 来自专栏量子位
OCR终结了？旷视提出支持文档级OCR的多模态大模型，支持中英文，已开源！
： 甚至可以将图片中的表格转换成latex格式： 当然，作为多模大模型，通用能力的保持也是必须的： Vary表现出了很大的潜力和极高的上限，OCR可以不再需要冗长的pipline，直接端到端输出，且可以按用户的 通过大模型极强的语言先验，这种架构还可以避免OCR中的易错字，比如“杠杆”和“杜杆”等， 对于模糊文档，也有望在语言先验的帮助下实现更强的OCR效果。 受大模型启发打造 目前的多模态大模型几乎都是用CLIP作为Vision Encoder或者说视觉词表。 纯NLP大模型（如LLaMA）从英文过渡到中文（对大模型来说是“外语”）时，因为原始词表编码中文效率低，必须要扩大text词表才能实现较好的效果。 正是这一特点给研究团队带来了启发。 现在基于CLIP视觉词表的多模态大模型，面临着同样的问题，遇到“foreign language image”，如一页论文密密麻麻的文字，很难高效地将图片token化。
1.6K20编辑于 2023-12-28 - 来自专栏DeepHub IMBA
9月大型语言模型研究论文总结
大型语言模型(llm)在今年发展迅速，随着新一代模型不断地被开发，研究人员和工程师了解最新进展变得非常重要。本文总结9-10月期间发布了一些重要的LLM论文。 这些论文涵盖了一系列语言模型的主题，从模型优化和缩放到推理、基准测试和增强性能。最后部分讨论了有关安全训练并确保其行为保持有益的论文。 这种方法产生了MathCoder模型，这是一组能够生成基于代码的解决方案的模型，用于解决具有挑战性的数学问题。 现有的问答基准(如ToMi)会向模型提问，以推断故事中人物的信念，但不会测试模型是否可以使用这些推断来指导它们的行动。 SmartPlay中的每个游戏都独特地挑战了智能LLM代理的9个重要功能的子集，包括对象依赖性推理，提前计划，空间推理，从历史中学习和理解随机性。
83221编辑于 2023-10-23 - 来自专栏机器学习与统计学
大模型 OCR 的黄金时代，腾讯开源混元OCR，文档解析、视觉问答和翻译方面达到 SOTA
DeepSeek-OCR 本地部署（上）：CUDA 升级 12.9，vLLM 升级至最新稳定版 大家好，我是 Ai 学习的老章 大模型 OCR 的黄金时代来了，小红书 dots.ocr-3b、deepseek-ocr 模型越做越小，精度越来越高 刚刚，OCR 领域迎来新选手，腾讯的文档理解模型——混元 OCR 开源了 端到端训推一体：不同于其他开源的 OCR 专家模型或系统，HunyuanOCR 模型的训练和推理均采用全端到端范式 在 OCR Bench 数据集上实现了 3B 参数以下模型的 SOTA 分数（860），并在复杂文档解析的 OmniDocBench 数据集上取得了领先的 94.1 分 一个很离谱的成绩是 HunyuanOCR 2GB，比 DeepSeek-OCR 的 6.7GB 小太多了 不过我看 HunyuanOCR@GitHub 的 README 中写需要 GPU 显存是 80GB，有点离谱啊 它会不会把显存和硬盘容量搞反了 ❓ 国内镜像：https://modelscope.cn/models/deepseek-ai/DeepSeek-OCR https://huggingface.co/tencent/HunyuanOCR
1.5K10编辑于 2025-11-29 腾讯云 TI-OCR 训练平台：OCR 大模型解决方案核心技术与商业价值解析
一、 产品定位与核心亮点 腾讯云 TI-OCR 训练平台是一款基于原生大模型的端到端 OCR（光学字符识别）与智能结构化解决方案。 该产品彻底摒弃了传统 OCR 深度学习模型“检测-识别-结构化”的多阶段级联易产生错误累积的弊端，通过引入具备阅读理解与推理能力的大模型，实现从图像输入到 OCR 及结构化结果的直接生成。 功能框架：腾讯云 OCR 大模型家族 平台基于三大模型基座构建完备的 OCR 生态环境： DocLM（端到端文字图像理解）：输入形式为“图像+任务提示”，聚焦内容提取类任务（智能结构化、OCR）。 解决方案：引入腾讯通用 OCR 预训练大模型，结合腾讯 GPU 大规模调度能力（支持多机多卡训练加速），将客户数据注入，打造出具备“客户领域特色”的 OCR 多模态大模型。 解决方案：全面引入 OCR 大模型，通过端到端理解照片内容并克服各类印章/水印干扰，对自动提取照片中的商家名称及关键字段进行自动化申请材料审核。
21500编辑于 2026-05-31当OCR遇见大语言模型：智能文本处理的进化之路
但当这项成熟技术遇到新兴的大语言模型（LLM），会碰撞出怎样的火花？本文将通过技术解析和代码实例，为你揭示这场跨领域融合带来的革命性进步。 chi_sim+eng')print("识别结果：")print(text)这种传统方案存在明显短板：模糊、倾斜文本识别率骤降复杂排版（表格/公式）处理困难上下文纠错能力缺失语义理解几乎为零二、LLM的赋能效应大语言模型的三大核心能力恰好弥补 OCR短板：上下文推理：通过语义关联修正识别错误结构理解：智能解析表格、公式等复杂内容多模态处理：直接处理图像与文本的关联三、技术融合的五大优势3.1 错误校正（以医疗报告为例）pythonfrom transformers import pipeline# OCR原始输出ocr_text = "患者诊断为2型糖原病，建议定期监测皿糖"# 加载医疗领域微调的LLMmed_llm = pipeline('text-generation 3.2 复杂文档解析pythondef parse_invoice(image_path): # 多模态模型直接处理图像 mm_model = load_multimodal_model()
1.7K11编辑于 2025-02-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号