本地文字识别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。

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
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

→ 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”。

→ 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

→ 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”。

→ 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
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。
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。
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
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。
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。
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:



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:



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。







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。







一次识别经过哪几步







一次识别经过哪几步







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
跑在哪、怎么不打架





/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:/ 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





/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:/ 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
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:
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
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:
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。

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。

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。

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。

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。

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。

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。

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。














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。















































演进(2026 年)

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)

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。




