Cloudsome 文档
需求设计报告
  • 通用架构
  • Hermes Agent
  • Hermes Agent V2
  • OpenMausBot
  • 小鹏灵犀 · 静态架构(参考)
  • 土豆(@poteto)· Grok Bot 自动化开发流程
  • 微软人事智能体 · 分层架构(参考)
选型报告
  • 票据 OCR 选型(草稿)
  • OCR 云 API 产品评估与评分(草稿)
  • 票据 OCR 选型需求与评分口径(草稿)
  • 票据 OCR PoC 测试计划(待启动)
  • OCR 通用文档识别选型(维度二·草稿)
财务工作流
补充材料
需求设计报告
  • 通用架构
  • Hermes Agent
  • Hermes Agent V2
  • OpenMausBot
  • 小鹏灵犀 · 静态架构(参考)
  • 土豆(@poteto)· Grok Bot 自动化开发流程
  • 微软人事智能体 · 分层架构(参考)
选型报告
  • 票据 OCR 选型(草稿)
  • OCR 云 API 产品评估与评分(草稿)
  • 票据 OCR 选型需求与评分口径(草稿)
  • 票据 OCR PoC 测试计划(待启动)
  • OCR 通用文档识别选型(维度二·草稿)
财务工作流
补充材料
  • 需求设计报告
    • 静态架构
    • 基本流程
    • 支撑能力
    • 调度中心
    • Agent 分工
    • 运行环境
    • 持久卷与 RSI
    • 评审问题与讨论结论
  • 共用底座
    • 通用架构
    • Hermes Agent 方案
    • Hermes Agent 基础架构 V2
    • OpenMausBot 方案
  • 参考架构

    • 小鹏灵犀 · 静态架构(参考)
    • 土豆(@poteto)· Grok Bot 自动化开发流程
    • 微软人事智能体 · 分层架构(参考)
  • 数字员工选型报告
    • 数字员工目标静态架构
    • 数字员工目标静态架构v2
    • Hermes 会话机制
    • OpenMausBot 会话机制
  • 知识库选型研究
    • 知识库选型需求与评估 SOP
    • 知识库候选产品
    • 知识库逐项资料评分与代码证据
    • 知识库商业托管版横向评分
    • FastGPT 知识库增强源码与自研评估
  • 票据 OCR 选型(草稿)
    • OCR 云 API 产品评估与评分(草稿)
    • 票据 OCR 选型需求与评分口径(草稿)
    • 票据 OCR PoC 测试计划(待启动)
    • OCR 通用文档识别选型(维度二·草稿)
  • 财务工作流
  • 补充材料
    • 流程与组件说明
    • 简版流程图
    • 详细流程图
    • 记忆、技能与会话历史
    • Hermes 记忆与技能研究
    • Hermes 本机版本能力核验
    • Meegle 事件去重研究
    • 项目定位与设计边界
    • 交互架构图说明
    • 原报告导航说明

OCR 通用文档识别选型(维度二·草稿)

资料核对日期:2026-11-13。仅查官方文档,未实测。维度一(发票识别)结论保留不变;本页是并列的第二维度,不与维度一合并总分。候选覆盖云厂商 API 与云托管 OCR 模型服务,评估对象是各厂商的通用文档 / 文档解析产品线,不是发票接口。

一、需求与权重

序号需求说明与评分依据权重
1表格结构还原5 分:表格结构化输出有明确 API(行列 / 单元格结构或 HTML / Markdown 表格);3 分:有表格识别但结构细节未确认。25
2版面与阅读顺序5 分:版面元素分类加阅读顺序或层级关系明确;3 分:仅部分具备。15
3手写体5 分:官方文档明确支持手写识别;3 分:仅示例或部分场景提及。10
4多语种含中文5 分:中文与多语种均有官方说明;3 分:仅部分确认。10
5输出格式与溯源5 分:Markdown / HTML 加结构化 JSON,且有坐标或置信度;3 分:仅部分具备。20
6多页与长文档5 分:所选托管服务有多页文档一次处理说明;3 分:仅按页处理;未确认标「待核实」。本地 PDF 推理脚本不能证明托管 API 接收多页 PDF。10
7Agent 可调用5 分:模型厂商或第三方托管平台有 API、鉴权与示例,可由服务端封装;0 分:已确认所选交付方式只能自行部署推理服务。10

评分沿用 0–5 分:5 = 文档充分支持,3 = 部分支持,0 = 已确认不支持;无证据标「待核实」,不计分、不断定不支持。模型作者未提供 API,不排除第三方托管路径;模型能力与托管服务能力分别核对。

二、横向评分(12 款,按总分排序)

序号需求权重AzureMistral OCRTextIn阿里云百度华为云腾讯云Google DAIqwen-vl-ocrGeminiDeepSeek-OCROpenAI
1表格结构还原255555555待核实533待核实
2版面与阅读顺序1555555535333待核实
3手写体1053355555待核实待核实待核实待核实
4多语种含中文105535535553待核实3
5输出格式与溯源20555333333333
6多页与长文档1055533335待核实533
7Agent 可调用10555555555555
总分 /1001009692888884826766625234
待核实项数000000012123

**维度二优先:Azure(Read / Layout)、Mistral OCR;国内文档解析首选 TextIn xparse,阿里云、百度、华为云、腾讯云同梯队。**qwen-vl-ocr 可作云托管模型服务备选;DeepSeek-OCR 按硅基流动托管服务纳入候选(52 分);Gemini、OpenAI 属通用视觉,文档 OCR 专项证据不足。

三、逐项依据(模型作者与服务商官方文档)

  • Azure:Read 印刷 + 手写(含 zh-Hans)、坐标与置信度;Layout 表格、阅读顺序、outputContentFormat=markdown;Markdown 元素覆盖段落、标题、表格、公式;PDF 最多 2,000 页。
  • Mistral OCR:OCR 处理器逐页 Markdown、table_format markdown/html、include_blocks 段落级坐标与阅读顺序、置信度粒度、页眉页脚抽取;语种表含中文等 40 余种;手写仅见官方示例文档,记 3 分。
  • TextIn xparse:解析 API 返回元素类型、层级关系、标题树、页面阅读顺序、table_structure 行列单元格、字符级坐标置信度、跨页表格合并(element_merge_mode);Markdown / HTML 表格可选。手写仅以内嵌对象(签名、复选框)形式提及,记 3 分。
  • 腾讯云:产品概述列通用 / 高精度、表格识别、通用手写体识别、智能结构化识别,多语种含中文;Markdown 输出与多页一次处理未确认。
  • 华为云:产品页列通用表格识别、手写文字识别、智能文档解析、印章,输入支持 PDF / OFD;多语种与 Markdown 输出受限,PDF 按页处理。
  • 阿里云:文字识别统一识别含表格、手写、文档结构化;文档智能提供文档解析(大模型版)、表格智能解析、电子文档解析;Markdown 明细待核实,记 3 分。
  • 百度:文档首页列表格文字识别、手写文字识别、办公文档版面分析,多语种含中文;Markdown 输出与多页一次处理未确认。
  • Google DAI:Enterprise Document OCR 支持 200 余种语言含中文、块 / 段 / 行 / 词层级、手写、字体样式、数学公式、页码范围、质量分;原生 Markdown 与表格结构未确认,分别记 3 分与待核实。
  • qwen-vl-ocr:Qwen-OCR API 内置任务含 table_parsing(HTML 输出)、document_parsing、formula_recognition、multi_lan、key_information_extraction(JSON schema);坐标、置信度、多页输入未确认。
  • Gemini:Document understanding 原生视觉处理 PDF 至 1,000 页、文本 / 图表 / 表格理解、结构化输出、转 HTML 保留版面;表格结构、手写、坐标未确认。
  • DeepSeek-OCR(硅基流动托管):模型作者仓库提供 OCR、grounding 转 Markdown、表格抽取与实体定位提示模式;硅基流动上线公告明确已开放 API,模型目录列有 deepseek-ai/DeepSeek-OCR,调用文档提供 /chat/completions、API Key 与图像 URL / Base64 示例,第 7 项记 5 分。所引托管文档未确认多页 PDF 一次处理,按图片逐页路径记 3 分,不沿用仓库本地 PDF 脚本的 5 分;手写与具体语种仍待核实。模型可用性、账号限额、地域及数据条款在 PoC 前复核,不采用上线时的限时免费宣传作长期报价。
  • OpenAI:视觉与文件输入支持图像与 PDF 输入、结构化 JSON 输出;表格结构、版面、手写、坐标均未确认,不适合作为文档 OCR 专项。

四、未入围与边界

  • 火山引擎、讯飞:官方文档抓取受限,证据不足,不评分(同维度一)。
  • Amazon Textract:官方配额文档表明表格 / 版面支持所有语言,值得下轮补证后入围。
  • LlamaParse、Reducto、Google Cloud Vision:本轮未核证或与已入围产品重复,留下轮。
  • DeepSeek-OCR 已确认硅基流动托管路径;不要求 DeepSeek 自营 API,也不要求客户部署模型。数据处理责任按实际托管服务商核对。
  • 分数为文档匹配分,非实测准确率;数据合规、费用、Lark 链路验证同维度一口径,均未开始。