OCR（光学字符识别）

一句话理解

让机器“认字”——把图片、扫描件里的文字抠出来，变成可编辑的电子文本。

定义

OCR（Optical Character Recognition，光学字符识别）指从图像中识别文字的技术。传统 OCR 认印刷体已经很成熟；大模型时代的 OCR 能理解版面、表格、公式甚至手写体，能力大幅跃升。

你会在哪遇到它

证件、发票、合同的批量录入；拍照取字、拍照搜题；票据报销系统自动读取金额；多模态大模型的“读图识字”能力里也包含它。

背后的原理

传统流程是先检测文字区域、再逐字识别、最后输出；现代方案用端到端神经网络直接从图像生成文字。多模态大模型更是把“看图识字”和“理解内容”合并成一步，连表格结构都能一起还原。

和相近概念的区别

1 与语音识别：一个认图上的字，一个认声音里的字。 2 与多模态大模型：大模型能顺带做 OCR，但专用 OCR 在批量处理、精度、成本上仍有优势。 3 与扫描软件：扫描是生成图片，OCR 是从图片里取字。

常见误区

1 以为全都又快又准——手写、艺术字、低清晰度仍会出错，关键数据要复核。 2 识别出来就能直接用——表格、分栏等版面还原常常错乱，结构化场景要选对工具。 3 只认印刷体——现代模型对手写体和公式也有不错的能力，只是准确率打折。