高丽大学人工智能硕士在读｜专注大模型、RAG、OCR与AI工程实践

NaviDC-OCR 是一款约 1.2B 参数的开源文档解析模型，在 OmniDocBench v1.6 上取得 96.87 分，并在 ICDAR 2026 Sci-ImageMiner Challenge 中排名第一。本文介绍它在拍照文档、复杂版面、表格和公式解析方面的核心优势，并通过 paddleocr-local 项目提供 Windows + NVIDIA 环境下一键部署教程。

HPD-Parsing文档解析模型取得重大突破，在OmniDocBench v1.6上达到94.91分，吞吐量提升3.06倍至4752.1 tokens/s。该模型采用InternVL3.5-1B架构，在表格识别（TEDS 91.35）、公式识别（CDM 97.28）和复杂版面解析等方面表现优异。相比传统OCR，它能更好地处理PDF、扫描件、票据等复杂文档的结构化解析，支持表格、公式、图文混排等元素的准确识别。文章推荐使用paddleocr-local项目进行本地部署，提供完整可视化界面和交互功能，适合RA

OvisOCR2是一款0.8B级别的端到端文档解析模型，在OmniDocBenchv1.6和PureDocBench测试中表现优异。它能直接将文档图片转换为结构化的Markdown格式，支持文本、表格、公式和图片区域的识别，并恢复自然阅读顺序。该模型已集成到PaddleOCRLocal项目中，支持一键本地部署，适合PDF转Markdown、论文解析、表格抽取等场景。部署仅需NVIDIA显卡和Docker环境，运行显存占用约5GB。项目提供了完整的Web界面，方便上传PDF、预览结果和下载文件，特别适合敏感数

下载几十 GB 模型，结果显存不够、CPU 爆满？whichllm 用真实硬件和 Benchmark 帮你选模型，不再靠运气。

Baidu最新推出的Unlimited-OCR模型突破了传统OCR的局限，专注于长文档理解与结构化输出。该模型通过整体解析文档（支持50页以上PDF），显著提升了表格合并、跨页语义对齐等能力，特别适合RAG、PDF转Markdown等场景。目前提供Transformers（稳定）和SGLang（高性能）两种部署方案，支持Windows/Docker/macOS一键运行（GitHub项目paddleocr-local）。需注意模型体积大、显存要求高，建议NVIDIA显卡用户优先选择Transformers后端

Unlimited-OCR：端到端长文档OCR新范式 Unlimited-OCR提出了一种创新的3B参数小模型方案，通过R-SWA（参考滑动窗口注意力）和DeepEncoder视觉压缩，彻底解决长文档OCR的工程难题。该模型单次前向即可处理40+页PDF，在OmniDocBenchv1.6上达到93.92%的端到端理解准确率，显著降低跨页表格、公式等场景的错误率。其核心优势包括： 高效长序列处理：R-SWA结合局部窗口与全局参考路径，在近似线性复杂度下保持跨页一致性； 视觉压缩优化：DeepEncoder将

讯飞星辰MaaS平台现有限时免费AI模型服务（截至6月底），本文以Qwen3.6-35B-A3B模型为例，提供5分钟快速部署指南：登录平台→选择模型→获取API密钥→完成接口配置。演示了如何将clawx作为自定义供应商接入并验证对话功能。作者呼吁读者点赞转发支持，助力开发者低成本实现"AI养龙虾"等创新应用

想本地跑 PaddleOCR，却总被环境、依赖、模型和启动问题劝退？这个项目把复杂部署流程做成了一键启动，还自带 WebUI 和主流 OCR 模型，让文档识别、发票解析、合同抽取真正变得简单可用。想要私有化、本地化 OCR 的开发者，可以直接看这一篇

PP-OCRv6正式发布，在识别精度、检测精度和推理速度上全面提升，尤其针对复杂文档和工业场景（如电路板、数码管、喷码点阵等）进行了优化。新版本提供三档模型（Tiny/Small/Medium）覆盖不同算力需求，支持50种语言和跨平台部署。为便于本地部署和工程化接入，推荐使用开源项目paddleocr-local，提供可视化界面和完整OCR流程支持。该项目支持一键部署，适合快速验证、内网演示和二次开发。PP-OCRv6的升级使其在真实业务场景中的实用性显著增强。

Codex + DeepSeek 目前是国内最火的 AI 组合，但很多人卡在登录和网络配置上。本文用最简单的话术，手把手教你用 CC Switch 实现“零配置、零门槛”接入：无需复杂环境、无需科学上网、无需折腾官方登录，只需一键配置就能让 Codex 直接调用 DeepSeek 模型。Codex 不只会写代码，还能帮你写文档、写邮件、整理会议纪要、处理 Excel、批量重命名文件、写公众号文章等，日常办公也能丝滑提效。适合 0 代码基础的新手和普通职场人，读完就能用，用完就感觉效率翻倍

本文通过对四种PDF转Markdown工具的实测分析，重点探讨了OpenDataLoader在工程实践中的独特价值。测试结果显示，虽然OpenDataLoader在综合效果上不如PaddleOCR-VL和MinerUVLM，但其在文字版PDF处理场景展现出三大核心优势：1）本地运行无需云API，保障隐私和稳定性；2）解析速度快（126页仅10秒），适合批量处理；3）正文抽取质量稳定，特别适合作为RAG知识库的基础解析层。文章指出，OpenDataLoader最适合处理可选中文字的文字版PDF，但在复杂表格和

MinerU-Popo是一款专注于OCR后处理的轻量级框架，其核心价值在于将页面级OCR识别结果重构为具有完整语义结构的文档树。该框架解决了跨页表格合并、断裂段落重组、标题层级还原、图文关联等关键结构性问题，而非单纯提升OCR识别精度。通过任务导向数据引擎、动态分块同步和文档语义增强等技术，其在保持处理效率（0.37Doc/s）的同时显著提升结构化指标（如TEDS从53.7提升至90.6）。特别适用于PDF解析、RAG知识库构建等需要保持文档逻辑完整性的场景，弥补了传统OCR"看得见但读不懂&qu

PaddleOCR-VL-1.6正式发布，在OmniDocBenchv1.6上达到96.3%的精度，新增印章识别能力，全面提升文档解析性能。该版本不仅擅长文本识别，更强化了对表格、公式、图表等复杂元素的处理能力，特别适合PDF解析、票据识别等场景。文章推荐本地部署方案paddleocr-vl-local，提供完整的前端交互界面，便于快速搭建可用的文档解析系统。新版本在工程化落地方面表现突出，是处理复杂文档的理想选择。

HeyGen推出的HyperFrames框架将HTML代码直接渲染为视频，并与Codex深度集成，实现“写代码即做视频”的自动化流程。用户可通过自然语言指令让AI生成HTML/GSAP结构，并一键渲染成MP4，适用于产品短片、数据可视化等场景。典型应用包括SaaS功能演示、博客转视频、动态数据报告等，支持模板化批量生产。通过Codex+HyperFrames组合，用户可从剪辑操作升级为内容自动化架构，显著提升视频制作效率。

DeepSeek-TUI是一个近期在中文技术圈爆火的开源项目，它是一个基于DeepSeek模型的终端编程助手工具。这个项目的走红颇具戏剧性：一位美国开发者通过DeepSeek生成中文推广文案，在中文社区成功引发关注。该工具支持终端操作、代码阅读、任务拆解等功能，提供了类似ClaudeCode的AI编程体验。文章详细介绍了安装配置过程、实际测试效果以及使用注意事项，指出其最大特点是能像真实项目助手一样进行任务分解和执行，而非简单的问答交互。虽然作为第三方工具仍存在一些小问题，但对于DeepSeek的重度用户来

开源项目wuyoscar/gpt_image_2_skill将GPTImage2能力转化为可复用的技能库，实现AI生图从随机到可控的转变。该项目提供国风场景、字体海报、角色设计等实战案例，解决提示词不稳定、风格难固定等痛点，特别适合设计师、自媒体等内容创作者快速产出高质量视觉内容。其核心价值在于提供可套用的风格模板，让图像生成更稳定高效，降低工作门槛。项目案例涵盖多种流行风格，从专业设计到社交媒体传播，具有直接应用价值。

OpenDataLab团队开源了MinerU2.5-Pro文档解析模型，在OmniDocBench v1.6基准测试中以95.69分刷新SOTA记录。该模型保持12亿参数架构不变，通过数据工程将训练数据扩展至6550万页，实现了3分的性能提升。核心能力包括端到端文档解析、表格/公式专项增强，新增图片解析、跨页表格合并等功能。提供transformers和vLLM两种部署方案，推荐作为独立解析服务集成到RAG/知识库系统中。适用于技术文档、财务报表等复杂排版场景，可作为LLM数据预处理的高效工具。

PDFMathTranslate是一款免费开源工具，专门解决PDF翻译时排版错乱的问题。它能完整保留数学公式、图表、目录等元素，支持Google、DeepL等多种翻译服务，并提供命令行、GUI等多种使用方式。特别适合需要阅读英文论文、技术文档的学术用户和开发者，支持批量处理文档，显著提升工作效率。该工具解决了翻译与排版不可兼得的痛点，是科研学习的实用利器。