OCR und Dokumentenanalyse
OCR macht aus einem Bild von Text echten Text; die Dokumentenanalyse geht weiter und rekonstruiert Tabellen, Formeln, Diagramme und Lesereihenfolge, meist als Markdown.
Klassische OCR findet Zeichen in einem Bild und gibt den Text zurück. Moderne offene OCR-Modelle sind kleine Vision-Language-Modelle, die eine ganze Seite lesen und als Markdown, HTML oder JSON zurückschreiben, wobei Überschriften, Tabellen und Formeln an ihrem Platz bleiben. Einige geben außerdem die Position jedes Blocks auf der Seite an, extrahieren Felder aus Formularen oder übersetzen Text innerhalb von Bildern.
Die meisten dieser Modelle haben zwischen 0,8 und 5 Milliarden Parameter, laufen also auf einer einzelnen Consumer-GPU und werden oft verwendet, um PDFs für RAG aufzubereiten. Benchmark-Scores werden von den Entwicklern gemeldet, oft auf unterschiedlichen Versionen desselben Benchmarks. Testen Sie ein Modell daher an Ihren eigenen Scans, bevor Sie sich entscheiden, besonders bei Handschrift, fotografierten Seiten und weniger gebräuchlichen Sprachen.
Verwandte Begriffe
- Vision-Language-Modell (VLM) Ein Vision-Language-Modell liest Bilder, und oft auch Video, zusammen mit Text, sodass Sie Fragen zu einem Foto, einem Screenshot oder einer Dokumentseite stellen können.
- Retrieval-Augmented Generation (RAG) Retrieval-Augmented Generation ermöglicht einem Modell, aus Ihren eigenen Dokumenten zu antworten, indem es die passenden Passagen abruft und in den Prompt einfügt.
- OmniDocBench OmniDocBench ist ein Benchmark für Dokumentenanalyse: Er bewertet, wie gut ein Modell PDF-Seiten vieler Arten in Text, Tabellen und Formeln umwandelt.
- Benchmark Ein Benchmark ist ein standardisierter Test zum Vergleich von Modellen, etwa ein Satz Mathe-, Coding- oder Wissensfragen; die Scores sind nützlich, aber leicht überzuinterpretieren.