本地文字识别
现在
在用 · 上次使用 11 月 3 日 16:12
近 7 天 AI 点名用了 3 次
11 月 4 日 11:13 重读:本机服务仍没在监听;当天早前 Linux 子系统读现役版本超时,现在能不能识别没有验证;当天 03:06 的每晚自检通过
截至 11 月 5 日 · AI 使用记录和项目源码
在自己电脑的显卡上,把图片、截图和扫描件里的字读准、读全,并说清哪里没把握。

AI 自己也能看图,说个大意没问题;要准确抄下扫描件、参数表或几十张截图,就把文件交给它。比如“把这张参数表读成文字,没把握的地方标出来”,会得到文字和逐页判断:有字、没字,还是说不准;要还原表格行列,明确说明。识字在本机离线完成,图片不传到识别网站;读不好的页再用更强的模型重读。显卡被别的程序占着时,普通识字会改在 CPU 上先把字读出来,需要强模型重读却没能重读的页会单独标明,不当作读好了。

6,874 次
识别,共 6,498 份材料:按现存任务清单数到的,输出已不在的旧记录会被定期清掉,所以只是下限,不是全部历史累计;里面有不少是 AI 批量做的网站截图检查和图片压缩试验,不全是我主动交的
74%
自动选模型时快模型就够:2216 次里有 1635 次(同样按现存清单数)
18 个
本地模型,共 3.9 GiB,下载后离线运行
206 项
测试无失败(19 项按条件跳过),现役版本 10 月 26 日验收

截至 2026 年 11 月 06 日 04:55(北京时间);识别从 7 月 8 日算起;测试数是 10 月 26 日现役版本验收时的数,模型数 10 月 20 日重读

本地文字识别
现在
在用 · 上次使用 11 月 3 日 16:12
近 7 天 AI 点名用了 3 次
11 月 4 日 11:13 重读:本机服务仍没在监听;当天早前 Linux 子系统读现役版本超时,现在能不能识别没有验证;当天 03:06 的每晚自检通过
截至 11 月 5 日 · AI 使用记录和项目源码
6,874 次
识别,共 6,498 份材料:按现存任务清单数到的,输出已不在的旧记录会被定期清掉,所以只是下限,不是全部历史累计;里面有不少是 AI 批量做的网站截图检查和图片压缩试验,不全是我主动交的
74%
自动选模型时快模型就够:2216 次里有 1635 次(同样按现存清单数)
18 个
本地模型,共 3.9 GiB,下载后离线运行
206 项
测试无失败(19 项按条件跳过),现役版本 10 月 26 日验收

截至 2026 年 11 月 06 日 04:55(北京时间);识别从 7 月 8 日算起;测试数是 10 月 26 日现役版本验收时的数,模型数 10 月 20 日重读

在自己电脑的显卡上,把图片、截图和扫描件里的字读准、读全,并说清哪里没把握。

AI 自己也能看图,说个大意没问题;要准确抄下扫描件、参数表或几十张截图,就把文件交给它。比如“把这张参数表读成文字,没把握的地方标出来”,会得到文字和逐页判断:有字、没字,还是说不准;要还原表格行列,明确说明。识字在本机离线完成,图片不传到识别网站;读不好的页再用更强的模型重读。显卡被别的程序占着时,普通识字会改在 CPU 上先把字读出来,需要强模型重读却没能重读的页会单独标明,不当作读好了。

什么材料走哪条路
普通页:截图、网页图、普通扫描件

→ 快读:PP-OCRv6_medium(检测、识别各一个模型)

默认先走这条。模型热着一页约 2 秒,每行字给一个 0–1 的把握分。显卡被别的程序占着时,这条路能改在 CPU 上读,慢一些但不用干等;视频帧、字幕截图里的字幕条、标题栏、暗角这类深色块,不会再被当成表格线把整批送去强模型。

难页:快读后体检不过关(一个字没读出来、把握分偏低、读出 ∑ ∫ 这类公式符号、带横竖线的表格)

→ 只把这一页交给强模型:PaddleOCR-VL-1.6 + PP-DocLayoutV3 版面检测

用于读表格、公式、多栏等难页,读不准的仍要核对;首次加载加识别约 50 秒、内存约 16 GB,所以只给有问题的页,快读结果留着对照。强模型只能用显卡:显卡被占、只能在 CPU 上快读时,该重读的页保留快读结果,并写明“因显卡被占没有升级”和页码,这几页不算质量够。已知是多栏论文、公式很多的文档,直接说“用强模型”。

要还原结构:表格变成行列,认公式和印章,给每块区域坐标

→ 结构还原:PP-StructureV3(内部识字用 PP-OCRv5,另有表格、公式 PP-FormulaNet_plus-L、印章模型)

只在明确说要结构时走,不参与自动选择,也只能用显卡,显卡忙时直接说忙,不改用 CPU;真实材料上还没用过,只在项目自带的样例上跑过。

什么材料走哪条路
普通页:截图、网页图、普通扫描件

→ 快读:PP-OCRv6_medium(检测、识别各一个模型)

默认先走这条。模型热着一页约 2 秒,每行字给一个 0–1 的把握分。显卡被别的程序占着时,这条路能改在 CPU 上读,慢一些但不用干等;视频帧、字幕截图里的字幕条、标题栏、暗角这类深色块,不会再被当成表格线把整批送去强模型。

难页:快读后体检不过关(一个字没读出来、把握分偏低、读出 ∑ ∫ 这类公式符号、带横竖线的表格)

→ 只把这一页交给强模型:PaddleOCR-VL-1.6 + PP-DocLayoutV3 版面检测

用于读表格、公式、多栏等难页,读不准的仍要核对;首次加载加识别约 50 秒、内存约 16 GB,所以只给有问题的页,快读结果留着对照。强模型只能用显卡:显卡被占、只能在 CPU 上快读时,该重读的页保留快读结果,并写明“因显卡被占没有升级”和页码,这几页不算质量够。已知是多栏论文、公式很多的文档,直接说“用强模型”。

要还原结构:表格变成行列,认公式和印章,给每块区域坐标

→ 结构还原:PP-StructureV3(内部识字用 PP-OCRv5,另有表格、公式 PP-FormulaNet_plus-L、印章模型)

只在明确说要结构时走,不参与自动选择,也只能用显卡,显卡忙时直接说忙,不改用 CPU;真实材料上还没用过,只在项目自带的样例上跑过。

平时怎么用

我一般不直接开它,而是跟 AI 说要读什么,AI 判断该不该用它、再调它;也可以把文件拖到 start.bat 上,结果在 outputs 文件夹。怎么跟 AI 说、什么时候 AI 自己看就够:跟 AI 怎么说 → 技能页

1 一字不差抄截图

一批截图要一字不差时,AI 交给它读;一整个文件夹的截图或视频帧可以一次交进去,用同一个热着的进程连着读,默认只交回简短摘要,要完整明细再说要完整结果。模型热着时一张截图约 2 秒;结果带每行字的位置和把握分;有字块把握分低于 0.50 时,结果会标“置信度较低”,AI 据此回原图核对。

2 扫描讲义转文字

整份扫描讲义要转成文字时,每页先快读,哪一页读得差、或者像表格公式,只把那一页交给强模型(怎么判断见亮点)。交回全文时,AI 会说清哪几页换过模型、哪几页把握不高。

3 整理照片时读屏幕上的字

照片视频录音管理整理截图时,画面由 AI 自己看,屏幕上的字交给它逐字读;读出的字只作参考,不作为删图的理由。

平时怎么用

我一般不直接开它,而是跟 AI 说要读什么,AI 判断该不该用它、再调它;也可以把文件拖到 start.bat 上,结果在 outputs 文件夹。怎么跟 AI 说、什么时候 AI 自己看就够:跟 AI 怎么说 → 技能页

1 一字不差抄截图

一批截图要一字不差时,AI 交给它读;一整个文件夹的截图或视频帧可以一次交进去,用同一个热着的进程连着读,默认只交回简短摘要,要完整明细再说要完整结果。模型热着时一张截图约 2 秒;结果带每行字的位置和把握分;有字块把握分低于 0.50 时,结果会标“置信度较低”,AI 据此回原图核对。

2 扫描讲义转文字

整份扫描讲义要转成文字时,每页先快读,哪一页读得差、或者像表格公式,只把那一页交给强模型(怎么判断见亮点)。交回全文时,AI 会说清哪几页换过模型、哪几页把握不高。

3 整理照片时读屏幕上的字

照片视频录音管理整理截图时,画面由 AI 自己看,屏幕上的字交给它逐字读;读出的字只作参考,不作为删图的理由。

读出来是什么样

原图:项目自带的合成采购单(900×600),有标题、六列表格、五条商品和合计。

9 月 3 日本机实际输出(结构还原路线):六列、五行和合计都对;原图标题没进正文,原始文字行把标题里的编号 PO-2026-0712 读成了 P0-2026-0712。如实保留,不修饰成全对。

每次识别写出三份结果:

TXT
纯文字,按页分开
Markdown
保留标题层级,表格、公式留结构
JSON
每块字的位置框、把握分、阅读顺序和类型
读出来是什么样

原图:项目自带的合成采购单(900×600),有标题、六列表格、五条商品和合计。

9 月 3 日本机实际输出(结构还原路线):六列、五行和合计都对;原图标题没进正文,原始文字行把标题里的编号 PO-2026-0712 读成了 P0-2026-0712。如实保留,不修饰成全对。

每次识别写出三份结果:

TXT
纯文字,按页分开
Markdown
保留标题层级,表格、公式留结构
JSON
每块字的位置框、把握分、阅读顺序和类型
出事怎么办

单次识别读错、卡住,它不会主动提醒,直接跟 AI 说,AI 按下面的办法处理。每天北京时间 03:00,电脑还会在后台跑一遍它不用真实模型的测试(最多 600 秒):失败或超时就在驾驶舱变红,由已有的 AI 故障接手跟进,不用我先做什么。这只说明这组测试过没过,不代表服务此刻开着、显卡能用或字读得准;11 月 4 日 03:06 那次通过,下一次在 11 月 5 日 03:00。想停,就停电脑上的每晚项目自检任务(归电脑配置与恢复管,这个任务也查别的项目),文字识别本身照常能用。

正忙
同时只做一个识别。再交一份,会直接回“有任务在跑”和任务编号,不偷偷排队;AI 先查进度,不重复提交。
太久
一次默认最多 300 秒,长任务可放宽到 2 小时;超时连同子进程一起结束,显卡还回去。AI 那边等不及先断开,不等于识别失败,先按任务编号回查。
想停
按任务编号只取消这一项,不影响别的服务;取消后不自动重试。
显卡要给别人
说“识别完把显卡腾出来”。另外,电脑上有个显卡调度员(电脑配置与恢复里的本机小服务:谁要用显卡,先向它领一张限时许可,也就是“租约”;它决定谁能同时用、谁要等)。本地大模型要用显卡时,它会先把文字识别清走。反过来,显卡正被别人占着、或调度员没开时,普通识字会把这次剩下的文件都改在 CPU 上读完,不每张都去抢一次显卡;强模型重读和结构还原只能用显卡,这时直接说显卡忙;说定了“只用显卡”也一样直接说忙。识别到一半真丢了显卡许可,照样报失败,不中途换成 CPU。
批量里中途有一份出错
整次照样报失败,但前面已经做完的结果会跟着失败一起交回,并写明卡在哪一份、后面哪些还没做;不用整批重来(10 月 16 日起)。
强模型重读失败
快读的结果单独存成“部分结果”,照样报失败,不当完成。
换电脑
模型和运行环境不进备份,按登记从魔搭重下、重建环境,再跑一遍验收。
出事怎么办

单次识别读错、卡住,它不会主动提醒,直接跟 AI 说,AI 按下面的办法处理。每天北京时间 03:00,电脑还会在后台跑一遍它不用真实模型的测试(最多 600 秒):失败或超时就在驾驶舱变红,由已有的 AI 故障接手跟进,不用我先做什么。这只说明这组测试过没过,不代表服务此刻开着、显卡能用或字读得准;11 月 4 日 03:06 那次通过,下一次在 11 月 5 日 03:00。想停,就停电脑上的每晚项目自检任务(归电脑配置与恢复管,这个任务也查别的项目),文字识别本身照常能用。

正忙
同时只做一个识别。再交一份,会直接回“有任务在跑”和任务编号,不偷偷排队;AI 先查进度,不重复提交。
太久
一次默认最多 300 秒,长任务可放宽到 2 小时;超时连同子进程一起结束,显卡还回去。AI 那边等不及先断开,不等于识别失败,先按任务编号回查。
想停
按任务编号只取消这一项,不影响别的服务;取消后不自动重试。
显卡要给别人
说“识别完把显卡腾出来”。另外,电脑上有个显卡调度员(电脑配置与恢复里的本机小服务:谁要用显卡,先向它领一张限时许可,也就是“租约”;它决定谁能同时用、谁要等)。本地大模型要用显卡时,它会先把文字识别清走。反过来,显卡正被别人占着、或调度员没开时,普通识字会把这次剩下的文件都改在 CPU 上读完,不每张都去抢一次显卡;强模型重读和结构还原只能用显卡,这时直接说显卡忙;说定了“只用显卡”也一样直接说忙。识别到一半真丢了显卡许可,照样报失败,不中途换成 CPU。
批量里中途有一份出错
整次照样报失败,但前面已经做完的结果会跟着失败一起交回,并写明卡在哪一份、后面哪些还没做;不用整批重来(10 月 16 日起)。
强模型重读失败
快读的结果单独存成“部分结果”,照样报失败,不当完成。
换电脑
模型和运行环境不进备份,按登记从魔搭重下、重建环境,再跑一遍验收。
一次识别经过哪几步
1
先留底
算原件的内容指纹(SHA-256),复制一份只读快照来识别;识别完再核一次,原件中途被改就不发结果。
2
领显卡
向显卡调度员领租约,领到才加载模型;设备选“自动”时领不到或调度员不在,普通识字就把这次剩下的文件改在 CPU 上读,CPU 不找调度员。
3
拆页
PDF 按 216 DPI 逐页渲染成图(单页最多 2400 万像素),多页 TIFF 逐帧拆开;图片直接读。
4
快读
每页先用 PP-OCRv6 读,每行字附一个 0–1 的把握分。
5
逐页体检
不过关的页交给 PaddleOCR-VL-1.6 重读,快读结果照样留着对照(规则见亮点);在 CPU 上读的这次没法重读,结果写明哪几页该升级没升级,并带质量警告。
6
交结果
写出三份结果、客观结论和人话摘要;最后写完任务记录才算完成。
识过不重识
同一份材料、同样的请求再来,先核对原件、模型、配置和输出文件的指纹,都对得上才直接交上次的结果;换了模型不会误用旧结果;显卡和 CPU 算出的结果也分开登记,互不冒充。
要表格结构时
明确说要表格、公式、印章或区域坐标,走 PP-StructureV3 这条路;它不参与自动选择。
一次识别经过哪几步
1
先留底
算原件的内容指纹(SHA-256),复制一份只读快照来识别;识别完再核一次,原件中途被改就不发结果。
2
领显卡
向显卡调度员领租约,领到才加载模型;设备选“自动”时领不到或调度员不在,普通识字就把这次剩下的文件改在 CPU 上读,CPU 不找调度员。
3
拆页
PDF 按 216 DPI 逐页渲染成图(单页最多 2400 万像素),多页 TIFF 逐帧拆开;图片直接读。
4
快读
每页先用 PP-OCRv6 读,每行字附一个 0–1 的把握分。
5
逐页体检
不过关的页交给 PaddleOCR-VL-1.6 重读,快读结果照样留着对照(规则见亮点);在 CPU 上读的这次没法重读,结果写明哪几页该升级没升级,并带质量警告。
6
交结果
写出三份结果、客观结论和人话摘要;最后写完任务记录才算完成。
识过不重识
同一份材料、同样的请求再来,先核对原件、模型、配置和输出文件的指纹,都对得上才直接交上次的结果;换了模型不会误用旧结果;显卡和 CPU 算出的结果也分开登记,互不冒充。
要表格结构时
明确说要表格、公式、印章或区域坐标,走 PP-StructureV3 这条路;它不参与自动选择。
用的哪些模型
用途模型做什么为什么这样选
日常识字PP-OCRv6 medium(检测、识别各一个模型)先框出每行字,再逐行认字,每行给把握分精度和速度的折中:不用手机版小模型,也不用旧版;截图、网页图、普通扫描件都靠它
转正方向PP-LCNet 两个小模型判断整页和每行字是不是横着、倒着拍歪、扫倒的页先转正再读
难页重读PaddleOCR-VL-1.6(视觉语言模型,约 1.9 GB)+ PP-DocLayoutV3 版面检测看懂整页版面,表格、公式、多栏都读得好读得好但慢:首次加载加识别约 50 秒,工作进程内存约 16 GB,所以只给有问题的页
结构还原PP-StructureV3:版面 2 个、识字 PP-OCRv5 2 个、表格 5 个、公式 PP-FormulaNet 1 个、印章 1 个表格还原成行列,认公式和印章,给每块区域坐标只在明确要结构时用;它不支持 v6,所以内部用 v5
纸张摊平UVDoc把拍弯的纸“摊平”只给强模型和结构还原用;日常识字关掉(见亮点)
用的哪些模型
用途模型做什么为什么这样选
日常识字
模型:
PP-OCRv6 medium(检测、识别各一个模型)
做什么:
先框出每行字,再逐行认字,每行给把握分
为什么这样选:
精度和速度的折中:不用手机版小模型,也不用旧版;截图、网页图、普通扫描件都靠它
转正方向
模型:
PP-LCNet 两个小模型
做什么:
判断整页和每行字是不是横着、倒着
为什么这样选:
拍歪、扫倒的页先转正再读
难页重读
模型:
PaddleOCR-VL-1.6(视觉语言模型,约 1.9 GB)+ PP-DocLayoutV3 版面检测
做什么:
看懂整页版面,表格、公式、多栏都读得好
为什么这样选:
读得好但慢:首次加载加识别约 50 秒,工作进程内存约 16 GB,所以只给有问题的页
结构还原
模型:
PP-StructureV3:版面 2 个、识字 PP-OCRv5 2 个、表格 5 个、公式 PP-FormulaNet 1 个、印章 1 个
做什么:
表格还原成行列,认公式和印章,给每块区域坐标
为什么这样选:
只在明确要结构时用;它不支持 v6,所以内部用 v5
纸张摊平
模型:
UVDoc
做什么:
把拍弯的纸“摊平”
为什么这样选:
只给强模型和结构还原用;日常识字关掉(见亮点)
跑在哪、怎么不打架
为什么在 Linux 里跑
这台电脑是 RTX 5090 D(新一代 Blackwell 架构),Windows 版飞桨显卡版跑不起来;整套放进 WSL2(Windows 自带的 Linux):Ubuntu 24.04、飞桨 3.4、CUDA 12.9、PaddleOCR 3.7。代价是 Windows 和 Linux 之间要转路径,中文、空格、拖放路径在 9 月 6 日、8 日、24 日都专门修过,10 月 14 日又修了临时路径参数和输出回传;9 月 24 日起路径交给 Ubuntu 自己换算,参数逐个原样传进去。
一个本机服务
FastAPI 写的接口,只在本机 18665 端口;9 月 24 日起只认本机地址,别的网站想借浏览器调用它会被拒收,请求格式不对也拒收。接口本身不加载模型,模型放在两个随时能结束的工作进程里:一个管普通识字和结构还原,一个专管强模型,这样逐张升级时不用把两个模型来回重新加载。同一个进程里配置和设备没变就热着复用,变了才关旧的开新的;同一时间仍只做一个识别,两个进程的内存合起来算同一个上限。这是现在的源码做法,此刻这两个进程在不在线,11 月 4 日没有验证。
一块显卡:两家可同时,大模型单用
文字识别和中文语音转写可以同时用显卡;本地大模型要用时,前两家都得让开。由电脑配置与恢复里的显卡调度员按租约分配。10 月 26 日起,设备选“自动”时按文件领还租约,领不到就让普通识字在 CPU 上把这次剩下的文件读完;强模型和结构还原仍只用显卡。
有上限
一次请求默认 300 秒、最多 2 小时;服务连同子进程内存上限 30 GB(不是显存),超了只停自己。10 月 12 日起还看整台电脑剩多少内存:模型启动前和运行中每 3 秒查一次,至少给整机留出总内存的 10%(不少于 1 GiB),不够就只结束本次识别、明确返回资源不足,不去挤别的程序;强模型也改成按需加载显卡模块,少占常驻内存。
每天用的是验收过的一版
正式服务从快照运行,留当前版和上一版;新版要过依赖、单元测试、9 个合成样例的真实显卡识别三道验收才切换,退回上一版也要它自己的验收记录。现役快照是 WSL 里的 /root/localocr-runtimes/speed-20261026-0400,北京时间 10 月 26 日 04:05 开始验收,约 139 秒跑完,依赖、单元测试、质量样例三步都正常结束(当时 206 项测试无失败、19 项按条件跳过);这是当时的回执,这次没有重跑。现役里的服务、运行、显卡调度、任务清单和模型配置五个关键文件,10 月 30 日只读核对过,与源码逐字一致。上一版按切换规则应是 10 月 16 日 12:29 验收的 batch-results-20261016(187 项测试无失败,17 项按条件跳过),这次没有重读上一版链接;到 10 月 20 日核对时,更早的 10 月 12 日、9 月 24 日和 9 月 17 日几版还留在目录里;10 月 31 日主线加了切换成功后清掉更旧环境的代码(安装与恢复),实际清没清没有读到。11 月 4 日再想读现役版本,Linux 子系统入口超时,当前版和上一版都没读到,上面现役的说法停在 10 月 30 日的核对。9 月 17 日那一版从 Windows 入口真实走过一遍切换、回退和恢复;之后的版本,包括现役的 10 月 26 日版,都还没做过同样的演练。

10 月 20 日早上服务没在监听 当时请求 http://127.0.0.1:18665/health 被拒绝连接(10 月 11 日 13:33 那次也一样;10 月 30 日 11:11 左右和 11 月 4 日 09:06—09:14 再查仍是拒绝连接),也就是当时本机识别服务没开着或连不上;原因没有查明,这几次都没去启动它,不据此说模型、现役快照或识别能力坏了;此刻服务开没开、模型在不在显存里,页面都不知道。需要时用 start_server.ps1 启动常驻服务。

代码:7,261 行程序(localocr 里的 Python,加根目录的 PowerShell 和批处理、scripts 里的 Python 和 PowerShell;不含 shell 脚本),5,381 行测试(都是 11 月 4 日只读数的已跟踪文件行数);公开仓库每次推送,GitHub 自动跑一遍不需要显卡的测试。

跑在哪、怎么不打架
为什么在 Linux 里跑
这台电脑是 RTX 5090 D(新一代 Blackwell 架构),Windows 版飞桨显卡版跑不起来;整套放进 WSL2(Windows 自带的 Linux):Ubuntu 24.04、飞桨 3.4、CUDA 12.9、PaddleOCR 3.7。代价是 Windows 和 Linux 之间要转路径,中文、空格、拖放路径在 9 月 6 日、8 日、24 日都专门修过,10 月 14 日又修了临时路径参数和输出回传;9 月 24 日起路径交给 Ubuntu 自己换算,参数逐个原样传进去。
一个本机服务
FastAPI 写的接口,只在本机 18665 端口;9 月 24 日起只认本机地址,别的网站想借浏览器调用它会被拒收,请求格式不对也拒收。接口本身不加载模型,模型放在两个随时能结束的工作进程里:一个管普通识字和结构还原,一个专管强模型,这样逐张升级时不用把两个模型来回重新加载。同一个进程里配置和设备没变就热着复用,变了才关旧的开新的;同一时间仍只做一个识别,两个进程的内存合起来算同一个上限。这是现在的源码做法,此刻这两个进程在不在线,11 月 4 日没有验证。
一块显卡:两家可同时,大模型单用
文字识别和中文语音转写可以同时用显卡;本地大模型要用时,前两家都得让开。由电脑配置与恢复里的显卡调度员按租约分配。10 月 26 日起,设备选“自动”时按文件领还租约,领不到就让普通识字在 CPU 上把这次剩下的文件读完;强模型和结构还原仍只用显卡。
有上限
一次请求默认 300 秒、最多 2 小时;服务连同子进程内存上限 30 GB(不是显存),超了只停自己。10 月 12 日起还看整台电脑剩多少内存:模型启动前和运行中每 3 秒查一次,至少给整机留出总内存的 10%(不少于 1 GiB),不够就只结束本次识别、明确返回资源不足,不去挤别的程序;强模型也改成按需加载显卡模块,少占常驻内存。
每天用的是验收过的一版
正式服务从快照运行,留当前版和上一版;新版要过依赖、单元测试、9 个合成样例的真实显卡识别三道验收才切换,退回上一版也要它自己的验收记录。现役快照是 WSL 里的 /root/localocr-runtimes/speed-20261026-0400,北京时间 10 月 26 日 04:05 开始验收,约 139 秒跑完,依赖、单元测试、质量样例三步都正常结束(当时 206 项测试无失败、19 项按条件跳过);这是当时的回执,这次没有重跑。现役里的服务、运行、显卡调度、任务清单和模型配置五个关键文件,10 月 30 日只读核对过,与源码逐字一致。上一版按切换规则应是 10 月 16 日 12:29 验收的 batch-results-20261016(187 项测试无失败,17 项按条件跳过),这次没有重读上一版链接;到 10 月 20 日核对时,更早的 10 月 12 日、9 月 24 日和 9 月 17 日几版还留在目录里;10 月 31 日主线加了切换成功后清掉更旧环境的代码(安装与恢复),实际清没清没有读到。11 月 4 日再想读现役版本,Linux 子系统入口超时,当前版和上一版都没读到,上面现役的说法停在 10 月 30 日的核对。9 月 17 日那一版从 Windows 入口真实走过一遍切换、回退和恢复;之后的版本,包括现役的 10 月 26 日版,都还没做过同样的演练。

10 月 20 日早上服务没在监听 当时请求 http://127.0.0.1:18665/health 被拒绝连接(10 月 11 日 13:33 那次也一样;10 月 30 日 11:11 左右和 11 月 4 日 09:06—09:14 再查仍是拒绝连接),也就是当时本机识别服务没开着或连不上;原因没有查明,这几次都没去启动它,不据此说模型、现役快照或识别能力坏了;此刻服务开没开、模型在不在显存里,页面都不知道。需要时用 start_server.ps1 启动常驻服务。

代码:7,261 行程序(localocr 里的 Python,加根目录的 PowerShell 和批处理、scripts 里的 Python 和 PowerShell;不含 shell 脚本),5,381 行测试(都是 11 月 4 日只读数的已跟踪文件行数);公开仓库每次推送,GitHub 自动跑一遍不需要显卡的测试。

亮点
先快后强,只重读有问题的那一页

麻烦 每页都用强模型最稳,但太慢:强模型首次加载加识别要 50 秒,内存约 16 GB;快模型热着一页约 2 秒。靠文件名猜哪份难,又常常猜错。

解法 每页先快读,再逐页体检,下面任一条成立,只把这一页交给强模型:

  • 一个字都没读出来
  • 整页平均把握分低于 0.78
  • 把握分低于 0.80 的行占四分之一以上
  • 把握分低于 0.50 的行占一成以上
  • 读出了 ∑、∫ 这类公式符号
  • 图上横线和竖线的交叉点有 6 个以上(带线的表格)
  • 读出了字,却一个把握分都没有

例外:近乎纯色、本来就像空白的页读不出字,不算“没读出来”,不升级。

结果 7 月 8 日–9 月 28 日,自动选模型的 300 次里有 277 次(92%)快模型就够。9 月 29 日进来一批 200 多张临时图片,字少、把握分低,大多换了强模型。算到 10 月 11 日,自动选模型共 639 次,快模型就够的占 60%。9 月 26 日一份 16 页的扫描 PDF,只有第 15 页被重读,其余 15 页保留快读结果。

取舍 这是经验规则,不是真的看懂了版面,会漏判;已知是多栏论文、公式很多的文档,直接说用强模型。

亮点
先快后强,只重读有问题的那一页

麻烦 每页都用强模型最稳,但太慢:强模型首次加载加识别要 50 秒,内存约 16 GB;快模型热着一页约 2 秒。靠文件名猜哪份难,又常常猜错。

解法 每页先快读,再逐页体检,下面任一条成立,只把这一页交给强模型:

  • 一个字都没读出来
  • 整页平均把握分低于 0.78
  • 把握分低于 0.80 的行占四分之一以上
  • 把握分低于 0.50 的行占一成以上
  • 读出了 ∑、∫ 这类公式符号
  • 图上横线和竖线的交叉点有 6 个以上(带线的表格)
  • 读出了字,却一个把握分都没有

例外:近乎纯色、本来就像空白的页读不出字,不算“没读出来”,不升级。

结果 7 月 8 日–9 月 28 日,自动选模型的 300 次里有 277 次(92%)快模型就够。9 月 29 日进来一批 200 多张临时图片,字少、把握分低,大多换了强模型。算到 10 月 11 日,自动选模型共 639 次,快模型就够的占 60%。9 月 26 日一份 16 页的扫描 PDF,只有第 15 页被重读,其余 15 页保留快读结果。

取舍 这是经验规则,不是真的看懂了版面,会漏判;已知是多栏论文、公式很多的文档,直接说用强模型。

1. 把握分很高,也可能读错表格

麻烦 快模型读表格时,每个字都认得很自信,却把表格拆成一串散字,只看把握分发现不了。

解法 体检时另外用图像找横线和竖线的交叉点,够 6 个就判为表格页,交给强模型。

10 月 26 日起只认细线:字幕条、标题栏、暗角这类深色块不再算表格线,普通平面截图也不默认开纸张摊平。

证据 验收样例“自动路线·表格”:快读 9 行,平均把握分 0.99995,没有一行低分,仍因为查到表格线被送去重读。真实材料也有:9 月 26 日那份 16 页扫描件的第 15 页,平均把握分 0.997,就是因为表格线才被重读的。10 月 26 日提交说明里记着一组合成视频帧对照:12 张自动路线从 518.4 秒、12 张全部升级,变成 19.78 秒、0 张升级,同批用 CPU 读 128.75 秒,所列样本字都读对;这是当时的记录,这次没有重跑。

2. 读不出字,不等于没有字

麻烦 结果为空时,AI 很容易说“这图没字”,其实可能是字太小、太淡或模型出错。

解法 结论分三种:有字、没字、说不准。只有整页读全、质量够、另有独立证据才判“没字”;目前唯一的独立证据是“近乎纯色的图”检测,其余空结果一律“说不准”。结论用指纹绑定原件、请求、模型和输出文件。

证据 截至 10 月 11 日 14:00,16,074 次完成的识别里有 15,665 次带了这个结论:15,196 次“有字”,466 次“说不准”,3 次“没字”;另外 409 次早期识别还没有这一项。这是按识别次数算的,不是按材料:三类分别涉及 14,261、446、1 份材料,同一份材料识别几次可能落进不同的类,所以三个数不能相加,也加不出 14,976 份材料。3 次“没字”是 9 月 29 日晚上对同一份材料的三次请求,是机器给的结论,没有人看图确认过;验收里的纯白样例图按“近乎纯色”判为没字。

这组数是当时任务清单里的;10 月 26 日起,输出已不在的完成记录会被每天清掉一次,这组按 10 月 11 日清单算的数已经没法从现存清单重新算出来,只作为当时的记录。

3. 截图不需要“摊平”

麻烦 UVDoc 本是给拍弯的纸用的,对平整的软件截图反而裁掉边缘、读错字,还连带触发不必要的强模型重读。

解法 日常识字默认关掉摊平,只保留转正方向;强模型和结构还原处理纸质文档时仍开着。

证据 8 月 28 日起这样设;关掉后截图的主体文字和位置恢复正常。

1. 把握分很高,也可能读错表格

麻烦 快模型读表格时,每个字都认得很自信,却把表格拆成一串散字,只看把握分发现不了。

解法 体检时另外用图像找横线和竖线的交叉点,够 6 个就判为表格页,交给强模型。

10 月 26 日起只认细线:字幕条、标题栏、暗角这类深色块不再算表格线,普通平面截图也不默认开纸张摊平。

证据 验收样例“自动路线·表格”:快读 9 行,平均把握分 0.99995,没有一行低分,仍因为查到表格线被送去重读。真实材料也有:9 月 26 日那份 16 页扫描件的第 15 页,平均把握分 0.997,就是因为表格线才被重读的。10 月 26 日提交说明里记着一组合成视频帧对照:12 张自动路线从 518.4 秒、12 张全部升级,变成 19.78 秒、0 张升级,同批用 CPU 读 128.75 秒,所列样本字都读对;这是当时的记录,这次没有重跑。

2. 读不出字,不等于没有字

麻烦 结果为空时,AI 很容易说“这图没字”,其实可能是字太小、太淡或模型出错。

解法 结论分三种:有字、没字、说不准。只有整页读全、质量够、另有独立证据才判“没字”;目前唯一的独立证据是“近乎纯色的图”检测,其余空结果一律“说不准”。结论用指纹绑定原件、请求、模型和输出文件。

证据 截至 10 月 11 日 14:00,16,074 次完成的识别里有 15,665 次带了这个结论:15,196 次“有字”,466 次“说不准”,3 次“没字”;另外 409 次早期识别还没有这一项。这是按识别次数算的,不是按材料:三类分别涉及 14,261、446、1 份材料,同一份材料识别几次可能落进不同的类,所以三个数不能相加,也加不出 14,976 份材料。3 次“没字”是 9 月 29 日晚上对同一份材料的三次请求,是机器给的结论,没有人看图确认过;验收里的纯白样例图按“近乎纯色”判为没字。

这组数是当时任务清单里的;10 月 26 日起,输出已不在的完成记录会被每天清掉一次,这组按 10 月 11 日清单算的数已经没法从现存清单重新算出来,只作为当时的记录。

3. 截图不需要“摊平”

麻烦 UVDoc 本是给拍弯的纸用的,对平整的软件截图反而裁掉边缘、读错字,还连带触发不必要的强模型重读。

解法 日常识字默认关掉摊平,只保留转正方向;强模型和结构还原处理纸质文档时仍开着。

证据 8 月 28 日起这样设;关掉后截图的主体文字和位置恢复正常。

全部功能(30 项)
图例:● 在用 ● 待验收 ○ 待实施 ● 没用过 ● 说不准 ✕ 已停用

没用过=每次识别都会留任务记录,真实材料里一次也没有;说不准=用了也不一定留记录。

读字
1
图片和截图识字
png、jpg、webp、bmp 图片和截图,读出全部文字
2
扫描件逐页识字
扫描 PDF 按 216 DPI 逐页渲染再读,多页 TIFF 逐帧读,并核对实际页数
3
一个文件夹一起读
每个文件分别选路线,不支持的文件列为跳过;整批复用同一个热着的进程,默认只回简短摘要
4
拖到 start.bat 就识别
不经过 AI,自己拖文件,结果在 outputs 文件夹
5
三种结果文件
纯文字 TXT、保留标题表格的 Markdown、带坐标和把握分的 JSON
6
歪的倒的先转正
两个方向小模型判断整页和每行字的朝向,先转正再读
选模型
7
先快后强自动选
每页先用快模型读,体检不过的页才换强模型
8
只重读有问题的页
多页文件里只把没读好的那几页交给强模型,其余页保留快读结果
9
指定模型
可以直接说用快模型、强模型或结构还原,自动选路不改写
10
只看走哪条路
先预览这份材料会走哪条路线,不真的识别
表格和位置
11
表格还原成行列
PP-StructureV3 把表格还原成行列 HTML,给每块区域坐标
12
公式和印章
同一条结构还原路线认出公式、检测印章文字
13
每行字的位置和把握分
JSON 里每块字有框、多边形、阅读顺序和 0–1 的把握分
全部功能(30 项)
图例:● 在用 ● 待验收 ○ 待实施 ● 没用过 ● 说不准 ✕ 已停用

没用过=每次识别都会留任务记录,真实材料里一次也没有;说不准=用了也不一定留记录。

读字
1
图片和截图识字
png、jpg、webp、bmp 图片和截图,读出全部文字
2
扫描件逐页识字
扫描 PDF 按 216 DPI 逐页渲染再读,多页 TIFF 逐帧读,并核对实际页数
3
一个文件夹一起读
每个文件分别选路线,不支持的文件列为跳过;整批复用同一个热着的进程,默认只回简短摘要
4
拖到 start.bat 就识别
不经过 AI,自己拖文件,结果在 outputs 文件夹
5
三种结果文件
纯文字 TXT、保留标题表格的 Markdown、带坐标和把握分的 JSON
6
歪的倒的先转正
两个方向小模型判断整页和每行字的朝向,先转正再读
选模型
7
先快后强自动选
每页先用快模型读,体检不过的页才换强模型
8
只重读有问题的页
多页文件里只把没读好的那几页交给强模型,其余页保留快读结果
9
指定模型
可以直接说用快模型、强模型或结构还原,自动选路不改写
10
只看走哪条路
先预览这份材料会走哪条路线,不真的识别
表格和位置
11
表格还原成行列
PP-StructureV3 把表格还原成行列 HTML,给每块区域坐标
12
公式和印章
同一条结构还原路线认出公式、检测印章文字
13
每行字的位置和把握分
JSON 里每块字有框、多边形、阅读顺序和 0–1 的把握分
结果靠得住
14
有字、没字、说不准
每份结果附一份客观结论,空结果不当“没字”
15
一句人话摘要
把覆盖、质量、文字块数和是否升级写成一句话
16
原件留底再识别
先算指纹做只读快照,识别完原件变了就不发结果
17
识过不重识
同样的材料和请求再来,核对指纹后直接交上次结果
18
中断时保住读完的页
超时或崩溃时已读完的页留作部分结果,不冒充整份
运行和显卡
19
本机识别服务
只在本机 18665 端口,同一时间只做一个识别,忙时直说不排队
20
查进度、取消
按任务编号查到哪一步,或只取消这一项
21
领显卡、和语音转写同时跑
向显卡调度员领租约才加载模型;可和语音转写并行,和本地大模型互斥;显卡被占时普通识字可改用 CPU,强模型和结构还原不行
22
用完腾显卡
关掉工作进程、还回显卡;本地大模型要用时调度员也会先清
23
超时和内存上限
一次默认 300 秒、最多 2 小时;内存超 30 GB 只停自己
24
给看板的任务视图
只读的任务列表接口和观察模块 10 月 20 日已取消;要看最近的任务,AI 直接读任务记录;查单个任务和取消还在(第 20 项)
版本和换模型
25
正式版和开发代码分开
每天用的是验收过的快照,改代码不影响它
26
退回上一版
保留上一版,出问题可以切回,切回也要它自己的验收
27
换版前三道验收
依赖、单元测试无失败、合成样例的真实识别全过才切换
28
换模型只改配置
模型写在配置档里,新模型先对照验收,不自动当默认
29
切换后清掉更旧的环境
新版切换成功后只留当前版和上一版,更早启用过的环境尝试清掉;还有人在用、身份可疑或从没启用过的不动,清不掉就留原因等重试
30
每晚自检
每天 03:00 后台跑一遍不用真实模型的测试,失败或超时在驾驶舱变红、交 AI 跟进;不验证真实识别质量
结果靠得住
14
有字、没字、说不准
每份结果附一份客观结论,空结果不当“没字”
15
一句人话摘要
把覆盖、质量、文字块数和是否升级写成一句话
16
原件留底再识别
先算指纹做只读快照,识别完原件变了就不发结果
17
识过不重识
同样的材料和请求再来,核对指纹后直接交上次结果
18
中断时保住读完的页
超时或崩溃时已读完的页留作部分结果,不冒充整份
运行和显卡
19
本机识别服务
只在本机 18665 端口,同一时间只做一个识别,忙时直说不排队
20
查进度、取消
按任务编号查到哪一步,或只取消这一项
21
领显卡、和语音转写同时跑
向显卡调度员领租约才加载模型;可和语音转写并行,和本地大模型互斥;显卡被占时普通识字可改用 CPU,强模型和结构还原不行
22
用完腾显卡
关掉工作进程、还回显卡;本地大模型要用时调度员也会先清
23
超时和内存上限
一次默认 300 秒、最多 2 小时;内存超 30 GB 只停自己
24
给看板的任务视图
只读的任务列表接口和观察模块 10 月 20 日已取消;要看最近的任务,AI 直接读任务记录;查单个任务和取消还在(第 20 项)
版本和换模型
25
正式版和开发代码分开
每天用的是验收过的快照,改代码不影响它
26
退回上一版
保留上一版,出问题可以切回,切回也要它自己的验收
27
换版前三道验收
依赖、单元测试无失败、合成样例的真实识别全过才切换
28
换模型只改配置
模型写在配置档里,新模型先对照验收,不自动当默认
29
切换后清掉更旧的环境
新版切换成功后只留当前版和上一版,更早启用过的环境尝试清掉;还有人在用、身份可疑或从没启用过的不动,清不掉就留原因等重试
30
每晚自检
每天 03:00 后台跑一遍不用真实模型的测试,失败或超时在驾驶舱变红、交 AI 跟进;不验证真实识别质量
演进(2026 年)
7 月 2 日
 在 RTX 5080 上跑通 PaddleOCR 3.7(放进 WSL2;随后换成同一代架构的 5090 D)
7 月 5 日
 本机识别服务;用完可以腾显卡
7 月 7 日
 模型写进配置档;加上结构还原;识过不重识;自动选路
7 月 12 日
 所有显卡工作都先向全机调度员领号
7 月 30 日
 难页自动交本地强模型重读
8 月 18 日
 分清“读不出”和“没有字”,每份结果附客观结论
8 月 28 日
 截图关掉纸张摊平;运行和入口全面加固
9 月 2 日
 每份结果加一句人话摘要
9 月 17 日
 正式版和开发代码分开,可以退回上一版
9 月 24 日
 新版本验收:181 项测试无失败(16 项按条件跳过),9 个合成样例全过
10 月 12–16 日
 强模型更省内存、按整机剩余内存把关;批量中途出错也交回已完成的结果;现役换成 10 月 16 日验收的一版:187 项测试无失败(17 项按条件跳过),9 个合成样例全过
10 月 20 日
 修路径、摘要和输入错误;取消单独的任务观察接口,看最近任务改由 AI 直接读任务记录
10 月 26 日
 设备可选自动、显卡或 CPU,显卡被占时普通识字改在 CPU 上读完;强模型单独放一个工作进程,逐张升级不再来回重新加载;视频帧不再被误当成表格;服务启动不再逐条扫全部任务,输出已不在的旧完成记录每天清一次;现役换成 10 月 26 日验收的一版
10 月 31 日
–11 月 2 日 主线加上切换后清掉更旧环境(现役有没有用上、清没清,还没读到);说明里写明已登记每晚自检

50 次提交,7 月 2 日到 10 月 16 日。9 月 24 日以后先是两次小改:9 月 29 日改正文档里“文字识别和语音转写能不能同时用显卡”的说明,10 月 1 日删掉两段没人调用的内部代码;10 月 12 日到 16 日又有一组稳定性修复:强模型的内存增长和整机内存把关、Windows 入口的输出回传与临时路径、输出收集也受同一时限约束、输入路径不存在时明确报失败、批量中途出错保留已完成结果。10 月 26 日又有 4 次提交(含合并),就是上面那条。10 月 30 日到 11 月 2 日又有 4 次提交,就是上面那条和一处文档修改。每天在用的是 10 月 26 日验收的那一版快照(10 月 30 日核对;11 月 4 日没读到),开发代码变了不会自己换上去。

演进(2026 年)
7 月 2 日
 在 RTX 5080 上跑通 PaddleOCR 3.7(放进 WSL2;随后换成同一代架构的 5090 D)
7 月 5 日
 本机识别服务;用完可以腾显卡
7 月 7 日
 模型写进配置档;加上结构还原;识过不重识;自动选路
7 月 12 日
 所有显卡工作都先向全机调度员领号
7 月 30 日
 难页自动交本地强模型重读
8 月 18 日
 分清“读不出”和“没有字”,每份结果附客观结论
8 月 28 日
 截图关掉纸张摊平;运行和入口全面加固
9 月 2 日
 每份结果加一句人话摘要
9 月 17 日
 正式版和开发代码分开,可以退回上一版
9 月 24 日
 新版本验收:181 项测试无失败(16 项按条件跳过),9 个合成样例全过
10 月 12–16 日
 强模型更省内存、按整机剩余内存把关;批量中途出错也交回已完成的结果;现役换成 10 月 16 日验收的一版:187 项测试无失败(17 项按条件跳过),9 个合成样例全过
10 月 20 日
 修路径、摘要和输入错误;取消单独的任务观察接口,看最近任务改由 AI 直接读任务记录
10 月 26 日
 设备可选自动、显卡或 CPU,显卡被占时普通识字改在 CPU 上读完;强模型单独放一个工作进程,逐张升级不再来回重新加载;视频帧不再被误当成表格;服务启动不再逐条扫全部任务,输出已不在的旧完成记录每天清一次;现役换成 10 月 26 日验收的一版
10 月 31 日
–11 月 2 日 主线加上切换后清掉更旧环境(现役有没有用上、清没清,还没读到);说明里写明已登记每晚自检

50 次提交,7 月 2 日到 10 月 16 日。9 月 24 日以后先是两次小改:9 月 29 日改正文档里“文字识别和语音转写能不能同时用显卡”的说明,10 月 1 日删掉两段没人调用的内部代码;10 月 12 日到 16 日又有一组稳定性修复:强模型的内存增长和整机内存把关、Windows 入口的输出回传与临时路径、输出收集也受同一时限约束、输入路径不存在时明确报失败、批量中途出错保留已完成结果。10 月 26 日又有 4 次提交(含合并),就是上面那条。10 月 30 日到 11 月 2 日又有 4 次提交,就是上面那条和一处文档修改。每天在用的是 10 月 26 日验收的那一版快照(10 月 30 日核对;11 月 4 日没读到),开发代码变了不会自己换上去。

复制 AI 续作说明

项目:本地文字识别;仓库:wlyaaaaa/LocalOCR;范围:整个项目;目标:(这里写这次要做的事)。先读项目的 AGENTS.md 和说明,按现行规则做。

把“目标”换成这次要做的事,整段复制给 AI。

完整尺寸