Tesseract
PulseAugur coverage of Tesseract — every cluster mentioning Tesseract across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
Cloudflare 和 OpenAI 探索 .NET 中的计算机视觉集成
Cloudflare 和 OpenAI 合作进行了一项研究试点，并于 10 月 15 日分享了初步成果。该试点专注于将计算机视觉能力集成到 .NET 应用程序中，探索了图像分类、对象检测和 OCR 等各种技术。该计划还深入探讨了这些技术在生产环境中的伦理考量和实际实施。
-
Social Sciences DataLab 发布快速 Indra OCR 模型
Social Sciences DataLab 发布了 Indra OCR，这是一款新推出的拥有 100 万参数的 OCR 模型，专为 CPU 上的高吞吐量和速度而设计。它每秒可处理多达 49 页，在速度上显著优于 Tesseract 和 PaddleOCR，同时在 OmniParseBench 等基准测试中也达到了具有竞争力的准确度。Indra OCR 输出结构化数据，包括带有标签的行和块边界框，并且可以通过提取现有文本层并仅对缺失…
-
使用 OpenCV、Presidio 和 LangGraph 构建安全的文档处理流程
本教程指导开发者构建一个名为 SecureKiosk AI 的安全文档处理流程。该系统使用 OpenCV 和 Tesseract 等本地工具进行图像处理和文本提取，然后使用 Microsoft Presidio 和 spaCy 检测和编辑个人身份信息（PII）。LangGraph 用于将此流程管理为有弹性的状态机，确保敏感数据在传输到外部 LLM API 之前被屏蔽，从而降低隐私风险。
-
Tesseract OCR 被认为可用于特定文档类型的生产环境
Tesseract OCR 被认为足够准确，可用于生产环境，尤其是在处理与其训练数据一致的文档时。这一评估突显了其在特定文档类型上的有效性。
-
研究显示 LLM 在处理嘈杂文档时遇到困难
一篇新的研究论文对几种开源大语言模型（LLM）从文档中提取键值对的性能进行了基准测试，特别考察了它们在光学字符识别（OCR）噪声下的表现。研究发现，尽管 LLM 在处理干净文本时表现良好，但在面对嘈杂的 OCR 输入时，其准确性会显著下降。随着输入损坏的增加，模型之间的性能差异也减小了，这凸显了在实际场景中 OCR 质量成为主要的限制因素。该研究识别出常见的失败模式，如键值错位和幻觉，强调了在 OCR 技术和 LLM 的语义推理能力方…
-
开发者构建RAG平台以防止自信的幻觉
一位开发者创建了RAG.NextUpgrad，一个旨在防止检索增强生成（RAG）系统自信地产生幻觉答案的平台。该平台优先使用托管嵌入和一种融合检索方法（结合密集向量搜索和BM25关键词搜索，通过倒数排名融合合并）在低资源、免费层级主机上运行。一个关键特性是“门控”机制，它检查最高检索结果的相似度分数是否低于可配置阈值；如果分数太低，系统将返回一个确定的“我不知道”消息，而不是调用语言模型，从而避免自信的错误信息。
-
研究发现：多模态大语言模型难以处理低资源的高棉语文档
一项新的试点研究评估了多模态大语言模型（MLLMs）在理解低资源高棉语文档方面的能力。研究人员发现，虽然当前的多模态大语言模型可以处理视觉清晰的英文和结构化数字内容，但可靠的原生高棉语文档理解仍然是一个重大挑战。该研究从KH-FUNSD数据集中构建了一个评估子集，测试了Qwen-VL模型，并发现像Tesseract和PaddleOCR这样的外部OCR工具在处理高棉语脚本答案方面比直接提示效果更好。
-
新数据集和管道推动阿拉伯手稿 OCR 研究
研究人员推出了 AraMS-28k，这是一个用于历史阿拉伯手稿识别的大规模数据集，包含 14 本书的 28,600 条带注释文本行。该数据集包括主要文本和页边行线的详细注释，以及用于重建非线性阅读顺序的插入锚点。该数据集是使用 RefLAM 创建的，RefLAM 是一个利用多模态大语言模型和人工审查的新型管道，与手动注释相比，吞吐量提高了 75 倍。此外，一项研究探讨了视觉语言模型 (VLM) 在阿拉伯手稿 OCR 中的有效性，发现其…
-
管道从历史报纸中提取数十亿词元
研究人员开发了机构报纸管道（Institutional Newspapers Pipeline），这是一个模块化系统，旨在从历史报纸扫描件中提取高质量、结构化数据。该管道与波士顿公共图书馆合作开发，对扫描件进行分段，执行光学字符识别（OCR），然后分析文本的各种特征，如命名实体和主题分类。由此产生的开放数据集包含来自近150万份1795年至1930年间出版的报纸扫描件的超过160亿个词元，使得历史公共生活记录在计算上更易于访问。
-
Tesseract：一个强大的开源 OCR 引擎，支持多种语言
Tesseract 是一个历史悠久的开源光学字符识别 (OCR) 引擎，支持 100 多种语言。它被认为是 OCR 任务的基准工具，并且仍然是开发者工具领域中一个值得注意的开源项目。
-
IBM 的 Docling 为 LLM 管道提供自托管 PDF 到 Markdown 转换
Docling 是 IBM 开发的一款开源文档解析器，可以将包括 PDF、DOCX 和图像在内的各种文件类型转换为干净的 Markdown 或 JSON。该工具对 LLM 管道特别有益，因为它能保留文档结构，如表格和阅读顺序，这对于检索增强生成 (RAG)、摘要和提取等任务至关重要。Docling 通过 FastAPI 提供自托管 API，并可以使用 Docker 或 Railway 等平台进行部署，其布局模型大约需要 2GB RAM。
-
生产级 RAG 管道需要超越简单演示的先进架构
本文详细介绍了构建生产级检索增强生成（RAG）管道的复杂性，并将其与简化的演示版本进行了对比。文章指出了常见的失败点，例如信息过时、幻觉式引用以及对扫描 PDF 和表格等各种文档格式处理不当。所提出的健壮架构包括高级预处理、文档类型感知分块、元数据标记、混合检索方法以及使用 CrossEncoders 进行重排，同时还包括本地 LLM 推理和用于幻觉的后处理检查。
-
Google Research 使量子计算机能够从错误中学习
Google Research 开发了一个强化学习框架，使量子计算机能够在计算过程中从错误中学习并进行自我纠正。该方法使用自主代理不断调整控制参数，稳定量子系统免受漂移影响，并克服了长时量子算法的一个主要瓶颈。该方法已在模拟和实验数据中得到验证，显示出量子纠错的可靠性和保真度有所提高。
-
Fortran 代码通过 LFortran 和 Enzyme 实现自动微分
研究人员开发了一种方法，为遗留的 Fortran 代码启用自动微分，使其能够集成到 JAX 和 PyTorch 等现代机器学习框架中。该方法使用 LFortran 将 Fortran 编译为 LLVM IR，然后 Enzyme 在此基础上应用自动微分。生成的微分物理引擎可以被 Tesseract 包装为自定义 JAX 原始类型，从而可以在不重写原始模拟代码的情况下用于复杂的机器学习管道。尽管仍处于实验阶段，但该技术提供了一种利用数十年…
-
新框架将Android恶意软件检测中的安全回归率减半
研究人员在Android恶意软件检测的持续学习中发现并量化了一个关键问题，称为“安全回归”。当模型先前可以检测到的恶意软件样本在更新后即使模型平均性能有所提高，但却逃避了检测时，就会发生这种现象。实验显示，高达3-6%的恶意软件样本会出现安全回归。为了解决这个问题，开发了一个新的回归感知框架，通过正向一致性训练（PCT）实现。该方法在各种持续学习场景中有效地将安全回归率减半，同时保持了长期的强大检测性能。
-
大型语言模型改进历史亚美尼亚报纸的阅读顺序重建
研究人员开发了一种新颖的方法来重建历史亚美尼亚报纸的阅读顺序，由于其复杂的布局和有限的语言资源，这带来了挑战。他们的方法结合了语义区域检测和生成式大型语言模型，与基线方法相比，错误减少了 76%。该技术旨在加速资源匮乏语言的数据标注，并包括一个专门用于历史亚美尼亚印刷品的 Tesseract OCR 模型。
-
LV-ROVER集成模型将马耳他语OCR准确率提升70%
研究人员开发了LV-ROVER，这是一种新颖的多流Tesseract投票集成模型，旨在提高马耳他语（一种低资源语言）的光学字符识别（OCR）能力。通过构建一个合成训练管道和一个五流集成模型，他们实现了比微调后的Tesseract基线模型字符错误率（CER）降低44%。进一步的后处理将CER降低了70%，显著提高了马耳他语文本的OCR准确性。
-
OCRmyPDF教程指导可搜索PDF转换及高级功能
一项新教程详细介绍了如何使用Python工具OCRmyPDF将扫描文档转换为可搜索的PDF/A文件。该指南涵盖了侧边栏文本提取、批量处理以及优化Tesseract以提高准确性等高级功能。它还演示了清理嘈杂扫描件、纠正文档方向以及直接在内存中执行OCR的技术。
-
Mosaic基准套件评估可微分物理求解器
研究人员推出Mosaic，一个旨在评估可微分偏微分方程（PDE）求解器的新基准测试框架。该框架标准化了各种求解器之间的梯度访问，并将每个求解器打包成一个名为Tesseract的组件。对14个求解器的评估显示，计算成本和数值条件存在显著差异，一些求解器与实际任务完全不兼容。尽管存在这些实际障碍，研究发现大多数求解器收敛到相似的最优值，这表明内存限制和稳定性等问题比梯度准确性本身更关键。
-
大学寻求本地文档解析工具以进行数据治理
一所大学的IT部门正在寻求一种本地文档处理解决方案，用于索引和搜索行政PDF、课程表和会议记录。由于数据治理政策，云API不可行，系统必须完全在校园网络内运行。用户正在评估四种开源工具：Docling、Liteparse、MinerU和Unstructured，并考虑解析质量、OCR能力、设置复杂性和许可等因素。主要挑战是建立用于定期文档导入和处理的计划管道，以应对PDF格式随时间的变化。