लोड हो रहा है...
ब्लॉग
OCR और डॉक्यूमेंट AI को आकार देने वाले शोध की सरल भाषा में व्याख्या।
16 मिनट में पढ़ेंarXiv:2610.11148
SP-DocReader: डिफ़रेंस-अवेयर सेल्फ़-प्ले से Vary-600K पर OCR एरर रेट आधा
Qwen3-VL-4B पर SP-DocReader बैकबोन को फ़्रीज़ रखते हुए एक OCR मॉड्यूल को ट्रेन करता है और दो-एपोक सुपरवाइज़्ड फ़ाइन-ट्यूनिंग की तुलना में Vary-600K का कैरेक्टर एरर रेट लगभग 54% घटा देता है।
24 मिनट में पढ़ेंarXiv:2610.11818
छोटे मॉडल्स, संरचित डेटा: क्या जटिल दस्तावेज़ निष्कर्षण के लिए हल्के VLMs क्लाउड APIs का स्थान ले सकते हैं?
क्या 4B–7B विज़न मॉडल्स लोकल GPUs पर अव्यवस्थित अभिलेखागारों से संरचित JSON निकाल सकते हैं? FAU Erlangen का एक नया अध्ययन यूनिवर्सिटी कलेक्शन्स में 8 ओपन-वेट VLMs का बेंचमार्क करता है।
12 मिनट में पढ़ें
हमने 184 OCR इंजनों को एक कोरा सफ़ेद पेज भेजा। उनमें से कुछ ने फिर भी उसे पढ़ लिया।
जब आप आधुनिक विज़न मॉडल्स को 800x1000 की खाली सफ़ेद इमेज दिखाते हैं, तो पारंपरिक OCR इंजन शांत रहते हैं; वहीं नए मॉडल्स UFO पत्र, विक्टोरियन अदालती मामले और गट हेल्थ के विज्ञापन गढ़ लेते हैं।
20 मिनट में पढ़ेंarXiv:2610.07091
हर पेज को Vision Model पर भेजना बंद करें: Citigroup, EY और NVIDIA के रिसर्चर्स से सबक
एक ingestion preprint से पता चलता है कि एक इंटरनल कॉर्पस में 92% पेजों ने page-level OCR को छोड़ दिया, साथ ही यह structure-aware chunking को समझाता है और मापता है कि extraction time कहाँ खर्च होता है।
8 मिनट में पढ़ें
OpenOCR अब Gemini 3.1 Flash-Lite और इसके बाद आने वाले किसी भी इंजन के खाली नतीजों को पकड़ता है
Google का Gemini 3.1 Flash-Lite कभी-कभी पूरी तरह पढ़ने योग्य पेज के लिए भी सफलता रिपोर्ट करते हुए कोई टेक्स्ट नहीं लौटाता। OpenOCR अब हर इंजन पर इसे डिटेक्ट करता है, आपको कारण बताता है, आपके PDF के बाकी पेजों को सुरक्षित रखता है, और प्रोवाइडर द्वारा लिए गए शुल्क से अधिक कभी बिल नहीं करता।
17 मिनट में पढ़ेंarXiv:2610.02880
मिला लेकिन पढ़ा नहीं: Vision-Language Models को अभी भी OCR से फ़ायदा क्यों मिलता है
FoveDoc-Bench पर CPU OCR टेक्स्ट जोड़ने से डॉक्यूमेंट QA एक्यूरेसी 13 से 16 प्रतिशत अंक बढ़ गई, जिससे साक्ष्य खोजने और उसका इस्तेमाल करने के बीच की खाई उजागर हुई।
17 मिनट में पढ़ें
OpenOCR Stratify का परिचय
हम Stratify को जटिल दस्तावेज़ों को पठनीय भागों में विभाजित करने, प्रत्येक भाग के लिए सही टूल्स चुनने और प्रत्येक परिणाम को उसके मूल स्रोत से जोड़े रखने के लिए डिज़ाइन कर रहे हैं।
19 मिनट में पढ़ेंarXiv:2610.01191
डीप लर्निंग के बिना हस्तलिखित बांग्ला का सेगमेंटेशन: इमेज प्रोसेसिंग का एक गहन तकनीकी विश्लेषण
जानिए कैसे KUET के शोधकर्ताओं ने रंगीन कागज़ और परछाइयों के बीच हस्तलिखित बांग्ला शब्दों के सेगमेंटेशन के लिए अडैप्टिव इमेज प्रोसेसिंग और इटरेटिव कंटूर काउंटिंग का इस्तेमाल किया।
22 मिनट में पढ़ेंarXiv:2609.40356
वीडियो सीन टेक्स्ट एडिटिंग अब भी लड़खड़ा रही है: ViTeX-Bench कैसे उजागर करता है इसके ट्रेड-ऑफ्स
ViTeX-Bench वास्तविक वीडियो में सटीक टेक्स्ट रिप्लेसमेंट का परीक्षण करता है। इसके परिणाम सही अक्षरों, स्थिर मोशन और सीन के संरक्षण के बीच के ट्रेड-ऑफ्स को सामने लाते हैं।
18 मिनट में पढ़ेंarXiv:2609.28757
नेविगेशन के लिए 500M विज़न मॉडल को ट्रेन करने से इसका OCR-Bench स्कोर दोगुने से भी अधिक हो गया
शोधकर्ताओं ने दृष्टिहीन और अल्प-दृष्टि सहायता के लिए एक 500M विज़न-लैंग्वेज मॉडल को पोस्ट-ट्रेन किया, जिससे इसके OCR-Bench ANLS स्कोर में 101.5% का सुधार हुआ और यह संकेत मिला कि स्पैशियल ग्राउंडिंग विजुअल-टेक्स्ट रीज़निंग में ट्रांसफर हो सकती है।
14 मिनट में पढ़ेंarXiv:2609.29240
हैलुसिनेशन लूप को तोड़ना: कैसे TOLA डिफ्यूजन टेक्स्ट सुपर-रिज़ॉल्यूशन को सिर्फ एक स्टेप में पूरा करता है
डिफ्यूजन धुंधले टेक्स्ट को शार्प कर सकता है, लेकिन गलत टेक्स्ट प्रायर इटरेटिव रीस्टोरेशन के दौरान गलत कैरेक्टर को ही सुदृढ़ कर सकता है; TOLA केवल एक इमेज प्रेडिक्शन का उपयोग करके मापे गए इन्फेरेंस समय को 9.95s से घटाकर 132ms कर देता है।
13 मिनट में पढ़ेंarXiv:2608.12911
वह OCR मॉडल जो न पढ़ पाने पर आपकी जन्मतिथि का अंदाज़ा लगा लेता है
एक नया बेंचमार्क दिखाता है कि document-AI मॉडल्स सिर्फ धुंधले ID फ़ील्ड्स को गलत ही नहीं पढ़ते, बल्कि याद किए गए ट्रेनिंग डेटा से उन्हें भर देते हैं, जिससे असली लोगों की निजी जानकारी लीक हो जाती है।
11 मिनट में पढ़ेंarXiv:2608.12898
किसी दस्तावेज़ की फ़ोटो खींचना आज भी अधिकांश OCR मॉडल्स को क्यों फ़ेल कर देता है
NaviDC-OCR स्कैन किए गए और फ़ोन से खींचे गए दस्तावेज़ों को एक ही मॉडल में संभालता है, और मुड़े-तुड़े पन्नों, टेबल्स व फ़ॉर्मूलों जैसी चुनौतियों से निपटता है जो मौजूदा VLM-आधारित पार्सर्स को उलझा देती हैं।
14 मिनट में पढ़ेंarXiv:2608.18957
OCR जिन तस्वीरों को नज़रअंदाज़ कर देता है, उन्हें खोजने के लिए Harvard द्वारा बनाई गई 22.6-मिलियन-इमेज पाइपलाइन की आंतरिक पड़ताल
Harvard की नई पाइपलाइन ने महंगे VLMs के बजाय छोटे मॉडल्स का उपयोग करके दस लाख स्कैन की गई किताबों से 22.6 मिलियन चित्र निकाले।
11 मिनट में पढ़ेंarXiv:2608.18696
संस्कृत पांडुलिपियों को पढ़ने में एक पारंपरिक OCR पाइपलाइन ने Gemini, GPT और Claude को पीछे छोड़ा
सिर्फ तीन पन्नों के मानवीय सुधार के बाद, फाइन-ट्यून की गई CRAFT+GNN+CTC पाइपलाइन ऐतिहासिक संस्कृत पांडुलिपियों को Gemini, GPT और Claude से अधिक सटीकता से पढ़ती है।
11 मिनट में पढ़ेंarXiv:2608.22366
AI Corrector को OCR का गलत अनुमान देना: कब यह मददगार होता है और कब पूरे पेज को बिगाड़ देता है
अरबी पांडुलिपियों पर हुए एक नए अध्ययन में पाया गया है कि "AI से OCR सुधारवाने" का तरीका केवल तभी काम करता है, जब OCR का अनुमान इतना करीब हो कि उस पर भरोसा किया जा सके।
11 मिनट में पढ़ेंarXiv:2608.22346
वह एग्ज़ाम डेटासेट जो सिर्फ अंदाज़े पर नहीं, बल्कि रुब्रिक्स के आधार पर ग्रेड करता है
एक नया डेटासेट 485 स्कैंड एग्ज़ाम उत्तरों को सिर्फ एक फाइनल स्कोर के बजाय, प्रत्येक क्राइटेरियन के अनुसार ग्रेड करने वाले वास्तविक रुब्रिक्स के साथ जोड़ता है।
11 मिनट में पढ़ेंarXiv:2608.26091
ड्रॉइंग की समझ खोए बिना हाईवे प्लैन्स पढ़ना: PlanSightRAG पर एक नज़र
एक नया RAG सिस्टम OCR को पूरी तरह छोड़ सीधे प्लान इमेजेस पर रीज़निंग करता है, और DOT ड्रॉइंग्स पर 91% रिट्रीवल एक्यूरेसी हासिल करता है।
17 मिनट में पढ़ेंarXiv:2609.03445
लूप में कंपाइलर: Tencent का DocEDR किस तरह OCR की जाँच और सुधार के लिए रेंडरिंग का उपयोग करता है
Tencent का DocEDR, OCR के डायग्नोसिस और रिपेयर के लिए रेंडर किए गए प्रेडिक्शन्स का उपयोग करता है, जिससे DOCR-Inspector-7B की तुलना में फॉर्मूला डायग्नोस्टिक Case-F1 में 30.99 अंकों की वृद्धि होती है।
20 मिनट में पढ़ेंarXiv:2609.03595
सिंथेटिक डेटा थाई OCR को कितना आगे ले जा सकता है? 1.24% मीडियन CER तक पहुंचने वाले रेसिपी के अंदर
नियंत्रित संश्लेषित दस्तावेज़ पुनर्निर्माण ने 0.9B थाई OCR मॉडल को पाँच मूल्यांकन सेटों पर Typhoon OCR 7B से बेहतर प्रदर्शन करने में मदद की, हालाँकि हाथ से लिखे टेक्स्ट और गंभीर त्रुटियों पर महत्वपूर्ण सीमाएँ हैं।
13 मिनट में पढ़ेंarXiv:2609.02486
विज़न LLMs को दस पेज फीड करना बंद करें: ViSAR के ट्रेनिंग-फ्री एडाप्टिव रेट्रीवल के अंदर
स्थिर शीर्ष-$k$ दृश्य पुनर्प्राप्ति दृष्टि LLMs को धीमा कर सकती है और सटीकता को कमजोर कर सकती है। ViSAR संदर्भ आकार को कम करने और विलंबता को 58.7% तक कम करने के लिए बहु-वेक्टर ज्यामिति का लाभ उठाता है।
13 मिनट में पढ़ेंarXiv:2608.31107
OCR बेचमार्क में छिपा कैप्चर-डिवाइस बायस: वेरिकाँम डिवाइसों के बीच क्या मापता है
VeriCam अध्ययन LPLCv2 ट्रैफिक छवियों में कैप्चर-डिवाइस पूर्वाग्रह का अध्ययन करता है, जो अज्ञात कैप्चर-डिवाइस वर्गों को समूहित करने के लिए जोड़ीदार सत्यापन और ग्राफ क्लस्टरिंग का उपयोग करता है।
14 मिनट में पढ़ेंarXiv:2608.28248
सिंथेटिक लेआउट, बेहतर वर्टिकल जापानी OCR: Synth-JDoc के अंदर
Synth-JDoc प्रोग्रामेटिक HTML/CSS लेआउट, जनरेटेड इमेज और डॉक्यूमेंट डिग्रेडेशन को जोड़कर पांच में से चार मूल्यांकित विज़न-लैंग्वेज मॉडल में वर्टिकल जापानी OCR को सुधारता है।
10 मिनट में पढ़ेंarXiv:2608.26921
अरबी पांडुलिपियाँ ऊपर से नीचे नहीं पढ़ी जातीं, और अब एक ऐसा डेटासेट है जो इसे स्वीकार करता है
AraMS-28k वास्तविक ऐतिहासिक अरबी हस्तलिखित ग्रंथों का 28,600 पंक्तियों वाला एक डेटासेट है जो अंततः OCR मॉडल्स को बताता है कि मार्जिनल नोट्स वास्तव में पाठ में कहाँ स्थित होते हैं।
12 मिनट में पढ़ेंarXiv:2608.27169
एक AI ने 2,000 साल पुराने मुहर को पढ़ा और अभी-अभी एक कविता बनाई
एक नया बेंचमार्क चीनी कलाकृतियों के 3,000 वर्षों पर OCR का परीक्षण करता है। भले ही सबसे अच्छा मॉडल 58% से कम सही उत्तर देता है, और यह पूर्ण आत्मविश्वास के साथ हैलुसिनेट करता है।
10 मिनट में पढ़ेंarXiv:2608.20011
जब इमेज मॉडल को एलाइन करना उसे स्पेलिंग में बदतर बना देता है
एक नई पेपर दिखाती है कि प्राथमिकता-ट्यूनिंग फ्लो मॉडल जनरेटेड टेक्स्ट को चुपके से कैसे खराब कर सकते हैं, और इसे 47.5% ओसीआर सटीकता बढ़ाने वाले एक विधि से ठीक करती है।
12 मिनट में पढ़ेंarXiv:2608.20122
GPT-5 को असफल बनाने के लिए बनाया गया OCR बेंचमार्क
GPT-4o विकृत, वॉटरमार्क वाले या AI-मिश्रित पाठ को 23% सटीकता के साथ पढ़ता है। एक नई प्रशिक्षण विधि सामान्य OCR को बिना बिगाड़े इसे लगभग तीन गुना कर देती है।
10 मिनट में पढ़ेंarXiv:2608.15698
आपका चैटबॉट वह चार्ट नहीं ढूंढ सकता जिसमें उत्तर है। यह पेपर इसे ठीक करने की कोशिश करता है।
ConceptFormer रीट्रिवल मॉडल्स को सिखाता है कि वे केवल टेक्स्ट के बजाय चार्ट और लेआउट में सबूत ढूंढें, जिससे यह OCR और विजुअल बेसलाइन दोनों को दोगुने अंक से हराता है।
11 मिनट में पढ़ेंarXiv:2608.13783
ImageNet पिछले 14 वर्षों से एक टूटे हुए उत्तर कुंजी पर मॉडल्स को ग्रेड कर रहा है
ImageNet-1k का एक नया पुनः टैगिंग (reannotation) पाया कि इसके लेबल्स में 12% गलत थे और छवियों का एक तिहाई हिस्सा मल्टीलेबल था, और इसे ठीक करने से सटीकता में 6 अंक तक की वृद्धि होती है।
11 मिनट में पढ़ेंarXiv:2607.27558
ईंजीनियर की तरह, स्कैनर की तरह नहीं ब्लूप्रिंट पढ़ने वाला AI
Drawing-Recode स्कैन किए गए CAD ड्राइंग्स पर आयाम पाठ को उस ज्यामिति से जोड़ता है जिसे यह मापता है, फिर परिणाम से संपादन योग्य 3D CAD कोड लिखता है।
11 मिनट में पढ़ेंarXiv:2607.27902
एक पैच काफी है: 2B-पैरामीटर मॉडल स्ट्रीट साइन्स पर GPT-5.4 से बेहतर कैसे पढ़ता है
2B-पैरामीटर मॉडल ने एक शब्द के लिए ठीक एक इमेज पैच पर इशारा करके स्ट्रीट साइन्स पढ़ने में GPT-5.4, Claude और Gemini को हरा दिया।
11 मिनट में पढ़ेंarXiv:2607.25390
वह एक-चरण ट्रिक जो डिफ्यूजन मॉडल्स को OCR के लिए वास्तव में उपयोगी बना सकती है
एक नई पेपर दिखाती है कि सही तरीके से ट्यून्ड एक डीटरमिनिस्टिक डिफ्यूजन पास, क्लासिफिकेशन, डिटेक्शन और OCR पर धीमे मल्टी-स्टेप रीस्टोरेशन को हरा देता है।
10 मिनट में पढ़ेंarXiv:2607.24651
AI से बॉक्स बनाने के लिए न कहें: उत्तर कहाँ से आया है यह साबित करने का एक बेहतर तरीका
एक नए अध्ययन से पता चला है कि जब दृश्य-भाषा मॉडलों से बाउंडिंग बॉक्स खींचने के बजाय उनके सबूत को उद्धृत करने के लिए कहा जाता है, तो वे दस्तावेज़ के सही हिस्से का उल्लेख करने की बारंबारता लगभग दोगुनी हो जाती है।
10 मिनट में पढ़ेंarXiv:2607.22200
OCR मॉडल आपके खाली मार्जिन पढ़ रहा है, और यही कारण है कि यह धीमा है
एक नई पेपर VLM-आधारित OCR के विजुअल टोकन को 50% कम करती है, मॉडल को खाली मार्जिन को नजरअंदाज करने के लिए सिखाकर, जिससे सटीकता में लगभग कोई हानि नहीं होती है।
11 मिनट में पढ़ेंarXiv:2607.15509
तीन AI मॉडल आए और अपनी ओसीआर नेटवर्क शून्य से डिज़ाइन किए
GPT-5, GPT-4o और Claude Sonnet 4 ने बिना किसी मानव आर्किटेक्ट की भागीदारी के अपने स्वयं के हैंडराइटिंग-रिकग्निशन नेटवर्क डिज़ाइन करने के लिए 270 प्रयोग किए।
11 मिनट में पढ़ेंarXiv:2607.17052
विज़न लेयर्स को छोड़ना काम करता है, जब तक आप इसे टेक्स्ट पढ़ने के लिए न कहें
एक विकासवादी खोज VLMs के लिए सस्ते दृष्टि मार्गों की पहचान करती है जो निर्मम कर्तन को हराते हैं, लेकिन कार्य-अनुकूलित शॉर्टकट OCR सटीकता को चुपचाप नष्ट कर सकते हैं।
12 मिनट में पढ़ेंarXiv:2607.19315
आपके ट्रेनिंग सेट में सबसे व्यस्त दिखने वाले स्कैन आपके OCR मॉडल को नुकसान क्यों पहुंचा सकते हैं
एक नई लेबल-फ्री मेट्रिक गिनती करती है कि एक छवि कितनी फीचर दिशाओं को रोशन करती है, और इससे प्रूनिंग करने से OCR मॉडल्स को सबसे व्यस्त दस्तावेज़ों को काटकर मदद मिलती है।
9 मिनट में पढ़ेंarXiv:2607.20385
फारसी की 11 करोड़ बोलने वाले हैं और लगभग कोई OCR डेटा नहीं। यह पेपर इसे ठीक करने के लिए 343,000 पृष्ठों को फेक करता है
एक नया डेटासेट OCR के सबसे बड़े कमजोर पहलू को ठीक करने के लिए 343,000 फारसी दस्तावेज़ छवियों को नकली बनाता है: एक लिपि जिसके अक्षर अपने पड़ोसियों के आधार पर आकार बदलते हैं।
11 मिनट में पढ़ेंarXiv:2607.18217
वह वीडियो एआई जो आपके लोगो को सही ढंग से पकड़ना चाहिए
एक नई वीडियो-जनरेशन पेपर OCR आउटपुट को सीधे डिफ्यूजन मॉडल में फीड करती है ताकि उत्पाद लोगो और लेबल टेक्स्ट मुश् में बदलना बंद हो जाए।
11 मिनट में पढ़ेंarXiv:2607.16060
क्या AI बिना डेटा के बारे में झूठ बोले आपको एक सुंदर चार्ट बना सकता है?
एक नया बेचमार्क दिखाता है कि इमेज मॉडल नियमित रूप से आर्टिस्टिक चार्ट्स को गलत करते हैं, जैसे गलत बार हाइट्स, गड़बड़ लेबल्स, मिसमैच्ड लेजेंड्स, और एक फिक्स का परीक्षण करता है जो आर्ट और गणित दोनों को सही रखता है।
13 मिनट में पढ़ेंarXiv:2607.09068
AI मॉडल्स की नकली दृष्टि को पकड़ने वाला मैप बेंचमार्क
OmniMapBench दिखाता है कि शीर्ष AI मॉडल नक्शे से जुड़े प्रश्नों में 75% पर ही सीमित हैं, जो यह उजागर करता है कि कई "दृश्य" बेंचमार्क गुप्त रूप से केवल पाठ द्वारा ही हल किए जा सकते हैं।
10 मिनट में पढ़ेंarXiv:2607.10400
लंबे PDF के मध्य में एआई डॉक्यूमेंट रीडर्स क्यों अटक जाते हैं
एक नया सिंथेटिक बेचमार्क दिखाता है कि शीर्ष विजन-लैंग्वेज मॉडल लंबे दस्तावेज़ों के मध्य भाग को पढ़ने में मापनीय रूप से खराब होते हैं, और चार्ट समझ भी बिगड़ जाती है।
11 मिनट में पढ़ेंarXiv:2607.13458
वक्र और झुके पाठ पर OCR के अटकने का छिपा हुआ कारण
एक नया पोजिशनल एन्कोडिंग ट्रिक OCR ट्रांसफॉर्मर्स को दो आयामों में सोचने के लिए सिखाता है, और लाभ ठीक वहीं मिलते हैं जहाँ आपकी उम्मीद होती है: वक्र, घुमाए हुए और विकृत पाठ में।
10 मिनट में पढ़ेंarXiv:2607.14041
जो OCR विशेषज्ञ कभी उस नौकरी के लिए प्रशिक्षित नहीं हुआ
एक नए पेपर में इतिहासिक मंचू हस्तलिखित पांडुलिपियों को हाथ की लिखाई के शैली के आधार पर OCR विशेषज्ञों को भेजा जाता है, और प्रत्येक शैली के लिए सर्वश्रेष्ठ विशेषज्ञ अक्सर उस शैली पर प्रशिक्षित नहीं होता था।
11 मिनट में पढ़ेंarXiv:2607.11192
वह बेंचमार्क जहाँ सबसे अच्छा AI मॉडल अभी भी एक PDF पर 85% समय विफल हो जाता है
GDP.pdf AI को वास्तविक पेशेवर PDFs पर, न कि खिलौना OCR कार्यों पर परखा जाता है। सर्वश्रेष्ठ मॉडल ने आइटमों का केवल 15% पास किया। यहाँ बताया गया है कि यह अंतर क्यों महत्वपूर्ण है।
10 मिनट में पढ़ेंarXiv:2607.11562
फोटो में बेहतरीन मॉडल इनवॉइस पढ़ने में क्यों खराब है
MonkeyOCRv2 अपने विज़न एन्कोडर को बिल्लियों और कारों के लिए बनाए गए किसी मॉडल को उधार लेने के बजाय 113 मिलियन दस्तावेज़ छवियों पर प्रशिक्षित करता है, और एक छोटा 0.7B मॉडल 3B प्रतिद्वंद्वी को हराता है।
11 मिनट में पढ़ेंarXiv:2607.09488
आपके विज़न एनकोडर में छिपा मुफ्त लंच: SigLIP-HD क्या सही करता है
एक नई प्रशिक्षण तकनीक विज़न एन्कोडर्स को उसी रिज़ॉल्यूशन और उसी इनफरेंस लागत पर टेक्स्ट को बेहतर ढंग से पढ़ने में सक्षम बनाती है, बड़ी छवियों की आवश्यकता नहीं है।
8 मिनट में पढ़ेंarXiv:2607.08014
एक फैक्ट्री जो कभी अपनी फोटो शेयर नहीं करती, लेकिन फिर भी लेबल पढ़ना सीखती है
FedTR फैक्ट्रियों में OCR मॉडल को प्रशिक्षित करता है जो डेटा साझा नहीं कर सकते, बिना किसी छवि के इमारत छोड़े 95.5% शब्द सटीकता प्राप्त करता है।
11 मिनट में पढ़ेंarXiv:2502.18443
आपके PDFs खरबों Tokens के लायक हैं। अधिकांश OCR Pipelines उन्हें बर्बाद कर रहे हैं।
olmOCR दिखाता है कि कैसे एक fine-tuned 7B vision model, प्रति पेज 1/35वीं लागत पर PDFs पढ़ने में GPT-4o को मात दे सकता है।
9 मिनट में पढ़ेंarXiv:2309.11419
Microsoft का KOSMOS-2.5: एक OCR Model, दो बिल्कुल अलग काम
Microsoft का KOSMOS-2.5 दस्तावेज़ों को एक साथ दो तरीकों से पढ़ता है: bounding-box OCR और full markdown reconstruction, जो एक ही 1.3B-parameter मॉडल से संभव होता है।
10 मिनट में पढ़ेंarXiv:2403.04473
TextMonkey: एक Vision-Language Model को उस लाइन की ओर इशारा करना सिखाना जिसे उसने अभी पढ़ा है
TextMonkey OCR को पूरी तरह से छोड़ देता है और दस्तावेज़ों को छवियों के रूप में पढ़ता है, फिर हर उत्तर को एक bounding box के साथ बैकअप करता है जो दिखाता है कि उसने कहाँ देखा।
10 मिनट में पढ़ेंarXiv:2109.10282
TrOCR: क्या होता है जब आप OCR की पूरी प्लेबुक को हटा देते हैं
Microsoft का TrOCR पूरी तरह से CNNs और RNNs को छोड़ देता है, और एक बहुत सरल पाइपलाइन के साथ अत्याधुनिक OCR मॉडल्स को हराने के लिए दो pre-trained Transformers का उपयोग करता है।
10 मिनट में पढ़ेंarXiv:2308.13418
Nougat से पहले सबसे अच्छे PDF-to-Math टूल 10% से भी कम समय में समीकरणों को सही क्यों पहचान पाते थे
Meta का Nougat एक स्कैन किए गए पेपर को पढ़ता है और सीधे LaTeX math लिखता है, जिससे OCR और bounding boxes की पूरी तरह से जरूरत नहीं पड़ती। यहाँ बताया गया है कि यह कैसे काम करता है, और यह कहाँ विफल होता है।
10 मिनट में पढ़ेंarXiv:2111.15664
Donut OCR को पूरी तरह से छोड़ देता है, और फिर भी यह आपकी रसीदें पढ़ लेता है
Donut पहले OCR चलाए बिना दस्तावेज़ पढ़ता है। एक नज़र इस बात पर कि कैसे टेक्स्ट रिकग्निशन को पूरी तरह से छोड़ने से speed और accuracy में OCR pipelines को मात मिली।
10 मिनट में पढ़ेंarXiv:2409.01704
GOT-OCR2.0: एक 580M-Parameter मॉडल जो टेक्स्ट, फॉर्मूला, शीट म्यूजिक और चार्ट्स पढ़ता है
GOT एक 580M-parameter वाला end-to-end मॉडल है जो एक prompt-driven सिस्टम के साथ टेक्स्ट, गणित, टेबल, शीट म्यूजिक और केमिकल डायग्राम को पढ़ता है, जिसमें किसी pipeline की आवश्यकता नहीं होती।
11 मिनट में पढ़ेंarXiv:2412.02210
CC-OCR ने नौ शीर्ष AI मॉडलों को 7,058 वास्तविक दस्तावेज़ों के माध्यम से गुज़ारा, और अधिकांश ने बुनियादी चीज़ों में विफलता दर्ज की
CC-OCR ने असली दुनिया के अव्यवस्थित दस्तावेज़ों पर नौ प्रमुख मल्टीमोडल AI मॉडल्स का परीक्षण किया। GPT-4o और Gemini भी घुमाए गए पाठ, विदेशी लिपियों और दोहराव लूप के साथ संघर्ष करते रहे।