OpenRouter 實測掃描檔案 OCR:Claude Opus 5.5 最準,Mistral OCR 價效比最高
Best OCR Model for Scanned Documents, Measured
OpenRouter以八頁自行製作的掃描檔案比較 15 個視覺模型、Mistral OCR 與 Tesseract,Claude Opus 5.5 辨識關鍵值最準,Mistral OCR 的費用較低。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
文章以可逐字核對的八頁掃描檔案比較多種 OCR 路線,呈現辨識準確度、費用與錯讀風險的取捨。
將掃描檔案轉成可靠的文字並不容易。傳統 OCR 引擎(例如 Tesseract)無法妥善處理褪色印刷文字、手寫內容和傳真檔案。視覺模型能讀懂這些頁面,卻有時會寫出頁面上根本沒有的值。我們用自己撰寫的文字製作了八頁測試檔案,讓每個字元都能核對,再透過 OpenRouter 測試 15 個視覺模型和 Mistral OCR。
在我們的測試中,OCR 準確度最高的是 Claude Opus 5.5,264 個關鍵值中答對 262 個,每 1,000 頁費用為 $16.42。最划算的是 Mistral OCR:264 個中答對 258 個,費用為 $2.02。本文會展示測試結果、值得留意的錯誤,以及用來抓出錯誤的程式碼。
這些結果可作為起點。我們的八頁檔案不等於你的檔案,因此,要知道哪個模型最適合你的工作流程,唯一可靠的方法就是用你自己的掃描檔案測試候選模型。
簡而言之
- 準確度最高:
anthropic/claude-opus-5.5。最划算:mistral-ocr。費用最低且結果不錯:inclusionai/ling-3.0-flash-vl(關閉推理功能),264 個中答對 254 個,每 1,000 頁費用為 $0.04。 - 在一張褪色的收據上,GPT-6 Luna 和 GPT-6.1 Sol 編造了卡號、Wi-Fi 密碼和伺服器名稱。錯誤率看不出這類問題,因此請核對你實際會用到的值。
- 關閉推理功能後,我們測試的五個模型中有四個變得更快、費用更低,而且沒有遺漏任何關鍵值。
- 標記不同實驗室推出的兩個平價模型意見不一致的字詞,以每 1,000 頁 $0.62 的費用抓出 35 個錯字中的 34 個。
測試方法
我們先用已知文字產生每頁檔案,再模擬掃描效果:輕微旋轉、模糊、雜訊和 JPEG 壓縮。五頁屬於一般情況:收據、一封刻意寫了兩個拼字錯誤的信件、一張有勾選方框的表單、一份雙欄新聞稿,以及一則字跡工整的手寫便條。另三頁則刻意設計得更難:褪色的熱感紙收據、快速而潦草的手寫內容,以及一張低解析度傳真,上面有 12 組由外觀相似字元(0/O、1/I/L、5/S、8/B)組成的序號,讓模型無法根據上下文猜出答案。

我們用兩種方式評分每份轉錄結果。字元錯誤率(CER)是與正確文字之間的編輯距離除以文字長度,不計換行和 Markdown。關鍵值是流程中會用到的 88 組字串,每頁 10 到 15 組,例如總額、日期、卡號、序號和拼錯的字詞。每組字串都必須在三次執行中每次都完全正確,因此每個模型共檢查 264 項。費用採用每次請求實際計費的 usage.cost。模型取自 OpenRouter 於 2026 年 10 月 8 日的目錄。
哪個 OCR 模型最能準確辨識掃描檔案?
表格依關鍵值答對數排序。
| 路由 | 答對的關鍵值 | CER,所有頁面 | CER,3 頁難題 | 每 1,000 頁費用 | 秒數中位數 |
|---|---|---|---|---|---|
anthropic/claude-opus-5.5 | 264 個中答對 262 個 | 0.02% | 0.06% | $16.42 | 7.2 |
mistral-ocr(PDF 引擎) | 264 個中答對 258 個 | 0.14% | 0.26% | $2.02 | 3.8 |
anthropic/claude-sonnet-5.5 | 264 個中答對 256 個 | 1.34% | 3.49% | $7.68 | 4.2 |
google/gemini-3.8-flash | 264 個中答對 254 個 | 0.15% | 0.28% | $7.50 | 9.3 |
stepfun/step-5-preview | 264 個中答對 254 個 | 0.42% | 1.11% | $5.48 | 9.3 |
inclusionai/ling-3.0-flash-vl | 264 個中答對 254 個 | 1.05% | 2.56% | $0.12 | 7.2 |
anthropic/claude-haiku-5.5 | 264 個中答對 253 個 | 1.19% | 2.89% | $0.46 | 3.8 |
x-ai/grok-4.7 | 264 個中答對 252 個 | 0.13% | 0.35% | $12.85 | 11.3 |
z-ai/glm-5.3-flashx | 264 個中答對 252 個 | 0.33% | 0.86% | $1.45 | 5.5 |
openai/gpt-6.1-sol | 264 個中答對 252 個 | 0.65% | 1.74% | $6.03 | 8.4 |
deepseek/deepseek-v4.1-flash | 264 個中答對 248 個 | 0.20% | 0.48% | $0.20 | 4.8 |
qwen/qwen3.8-flash | 264 個中答對 248 個 | 0.74% | 1.49% | $0.29 | 8.1 |
qwen/qwen3.8-27b | 264 個中答對 246 個 | 0.92% | 2.31% | $1.54 | 10.8 |
xiaomi/mimo-v2.6-flash | 264 個中答對 246 個 | 2.02% | 5.34% | $0.58 | 3.1 |
mistralai/mistral-large-4-0 | 264 個中答對 240 個 | 4.61% | 12.19% | $6.80 | 47.9 |
openai/gpt-6-luna | 264 個中答對 232 個 | 1.49% | 3.95% | $0.54 | 7.8 |
| Tesseract 5.5(本機執行,1 次) | 88 個中答對 46 個 | 26.06% | 64.39% | $0 | 58.1 |
在五頁一般檔案上,所有視覺模型的 CER 都低於 0.3%,而且 15 個模型都完美轉錄了字跡工整的手寫內容。大部分差異來自褪色的收據。Opus 5.5 和 Mistral OCR 答對了該頁的全部 33 項檢查,GPT-6 Luna 則答對 16 項。不同模型計算影像 token 的方式各異(DeepSeek 每頁的提示 token 中位數為 1,070,Grok 則為 3,314),因此請用自己的頁面測量費用。
哪個 OCR 模型適合你的工作
| 如果你的工作大多是 | 建議從這個模型開始 | 原因 |
|---|---|---|
| 每個值都很重要的高難度掃描檔案 | Claude Opus 5.5 | 264 個關鍵值中答對 262 個,每 1,000 頁費用為 $16.42 |
| 大量處理且價格合理 | Mistral OCR(mistral-ocr PDF 引擎) | 264 個關鍵值中答對 258 個,每 1,000 頁費用為 $2.02 |
| 費用最低 | 推理關閉時的 Ling 3.0 Flash VL | 264 個關鍵值中答對 254 個,每 1,000 頁 $0.04 |
| 外觀相似字元的序號與 ID | 由 DeepSeek V4.1 Flash 檢查 Claude Haiku 5.5 | 這兩個模型找出 35 個錯誤字詞中的 34 個,每 1,000 頁 $0.62 |
| 乾淨的打字頁面,離線使用 | Tesseract 5.5 | 信件和電子報都辨識正確,而且免費,但褪色的收據卻完全沒有辨識出任何內容 |
視覺模型讀取難以辨識的掃描檔案時,會出什麼問題?
最嚴重的錯誤是辨識出看似合理、但頁面上根本不存在的值。以下先列出褪色收據底部印出的內容,再列出一次 GPT-6 Luna 的執行結果:
CONTACTLESS 32.95
CARD ****9026
SERVED BY: PRIYA
WIFI: verdigris-guest / tide2026NET 27.46
CONTACTLESS
CARD **** 9027
SERVED BY: SHEVA
WIFI: verdigris_guest / 1freecoffee收據上沒有 NET 這一行。卡片號碼末四碼是 9026,而姓名和密碼都是捏造的。GPT-6 Luna 在三次執行中都改錯了伺服器名稱和年份。GPT-6.1 Sol 每次執行都寫出不同的虛構密碼(flatwhite24、flat9am!、flatleaf)。我們也要求模型在猜測時寫出 [?]。這也沒用:七個模型中有四個從未使用這個標記。
其他反覆出現的錯誤:
- O 和 0:15 個模型中有 13 個至少在一次執行中讀錯兩個傳真序號。只有 Claude Sonnet 5.5 和 GPT-6.1 Sol 每次都正確讀出序號。
- 拼字修正:信件署名為「Senior Assosiate」,提示要求完全照抄拼字。45 份轉錄中有 16 份仍然「修正」了這個拼字。
- 勾選方框:Claude Sonnet 5.5 和 Haiku 5.5 抄下表單的核取方塊標籤,卻漏掉了哪個方框有勾選。
步驟 1:將掃描檔案傳給視覺模型
視覺模型產生轉錄文字的方式,和語言模型產生任何文字的方式相同,因此它通常會寫出一般文字常見的內容,而非完全照著頁面上的印刷文字抄錄。提示會要求它逐字照抄。這能減少問題,但無法完全消除:45 份轉錄中仍有 16 份修正了信件中刻意寫錯的拼字。你需要在 OPENROUTER_API_KEY 中設定 OpenRouter API key。圖片會以 base64 image_url 部分傳入(請參閱圖片輸入),因此 OpenRouter 上的每個視覺模型都能使用相同的請求。請將程式碼儲存為 transcribe.py,因為步驟 3 和 4 會從中匯入:
import base64
import mimetypes
import os
import requests
API = "https://openrouter.ai/api/v1/chat/completions"
HEADERS = {"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"}
PROMPT = ("Transcribe all of the text in this scanned document, in reading order. "
"Copy spelling, numbers and punctuation exactly as they appear, even if they "
"look wrong. Return plain text only, with no Markdown and no commentary.")
def transcribe(path, model="deepseek/deepseek-v4.1-flash", reasoning={"effort": "none"}):
mime = mimetypes.guess_type(path)[0] or "image/jpeg"
with open(path, "rb") as f:
image = f"data:{mime};base64," + base64.b64encode(f.read()).decode()
body = {
"model": model,
"max_tokens": 16000,
"messages": [{"role": "user", "content": [
{"type": "text", "text": PROMPT},
{"type": "image_url", "image_url": {"url": image}},
]}],
}
if reasoning:
body["reasoning"] = reasoning
response = requests.post(API, headers=HEADERS, json=body, timeout=300)
response.raise_for_status()
data = response.json()
choice = data["choices"][0]
if choice["finish_reason"] != "stop":
raise ValueError(f"finish_reason={choice['finish_reason']}: the transcript is incomplete")
return choice["message"]["content"], data["usage"]["cost"]
if __name__ == "__main__":
text, cost = transcribe("receipt.jpg")
print(text)
print(f"\n${cost:.5f}")HARBOR LANE MARKET
1180 Harbor Lane, Unit 4
Portland OR 97209
Tel (503) 555-0148
...
TOTAL 62.86
VISA ****4471 62.86
AUTH 08813C
...
$0.00022每個字元都辨識正確,費用約為兩百分之一美分。資料 URL 會根據檔案副檔名判斷型別,因此 PNG 和 WebP 掃描檔也能使用。若要比較模型,只要更改 model 字串,並對步驟 2 中無法關閉推理功能的模型傳入 reasoning=None。
加入 finish_reason 檢查,是因為推理 token 會計入 max_tokens。限制設為 4,000 時,Gemini 3.8 Flash 每次執行都花了 3,841 個 token 推理傳真內容,並在序號 4 尚未辨識完時就停止。請求仍以 finish_reason: "length" 傳回 200 OK,因此若沒有這項檢查,管線就會儲存不完整的轉錄文字而不自知。
步驟 2:關閉轉錄時的推理功能
模型需要規劃答案時,推理很有幫助。從頁面抄錄文字不需要規劃,因此額外的 token 大多隻會增加成本和時間。這就是為什麼 transcribe 預設會傳送 "reasoning": {"effort": "none"}(請參閱推理 token)。我們針對所有允許關閉推理功能的模型,重新執行完整測試:
| 模型 | 關鍵值,開啟 → 關閉 | 字元錯誤率(CER),開啟 → 關閉 | 每 1,000 頁的成本,開啟 → 關閉 | 中位數秒數,開啟 → 關閉 |
|---|---|---|---|---|
mistralai/mistral-large-4-0 | 240 → 249 | 4.61% → 0.15% | $6.80 → $1.68 | 47.9 → 5.6 |
inclusionai/ling-3.0-flash-vl | 254 → 254 | 1.05% → 0.19% | $0.12 → $0.04 | 7.2 → 4.0 |
openai/gpt-6-luna | 232 → 232 | 1.49% → 1.08% | $0.54 → $0.22 | 7.8 → 3.8 |
deepseek/deepseek-v4.1-flash | 248 → 249 | 0.20% → 0.23% | $0.20 → $0.16 | 4.8 → 4.5 |
qwen/qwen3.8-27b | 246 → 244 | 0.92% → 2.28% | $1.54 → $0.77 | 10.8 → 8.9 |
開啟推理時,一次 Mistral Large 4 請求花了 626 秒推理,最後沒有傳迴文字(finish_reason: "error")。Qwen3.8 27B 開啟推理時表現更好,因此請使用自己的頁面進行測試。Gemini 3.8 Flash、Grok 4.7 和 GLM 5.3 FlashX 不允許關閉推理功能,因此請傳入 reasoning=None,將該欄位省略。否則請求會因以下錯誤而失敗:
400 {"error":{"message":"Reasoning is mandatory for this endpoint and cannot be disabled.","code":400,"metadata":{"provider_name":null}}}步驟 3:交叉檢查來自不同實驗室的兩個模型
在模糊的影像中,O 和 0 這類相似字元很難分辨。每個模型都根據自己的訓練結果做判斷,因此來自不同實驗室的兩個模型很少會犯同樣的錯誤。它們的轉錄結果通常會在影像不清楚的地方出現差異。我們測試了六個模型的所有兩兩組合。表現最好的是 Claude Haiku 5.5 搭配 DeepSeek V4.1 Flash 進行校對。Haiku 在 2,964 個字詞中錯了 35 個;DeepSeek 按照步驟 2 的設定關閉推理後,對其中 34 個字詞的判讀有異議,並有 10 次誤報。這組合每 1,000 頁只要 $0.62,費用是 Mistral OCR 的三分之一。兩者使用相同的 API,因此校對只需多呼叫一次。Haiku 的呼叫方式是 reasoning=None,因為我們的表格就是這樣執行的:
import difflib
from transcribe import transcribe # the function from step 1
a, _ = transcribe("fax.jpg", model="anthropic/claude-haiku-5.5", reasoning=None)
b, _ = transcribe("fax.jpg", model="deepseek/deepseek-v4.1-flash")
a, b = a.split(), b.split()
for tag, i1, i2, j1, j2 in difflib.SequenceMatcher(None, a, b, autojunk=False).get_opcodes():
if tag != "equal":
print("check:", " ".join(a[i1:i2]), "vs", " ".join(b[j1:j2]))check: 8LI5-QS0B5O vs 8LI5-QS0B50
check: 30HY-1OHLG7 vs 30HY-10HLG7這是大多數模型都判讀錯誤的兩個序號。如果兩個模型把某個字元讀成同樣的錯誤,就不會標示出來。我們的測試中發生過一次:兩者都把 O 看成 0,因此可行的話,請對照清單或使用檢查碼來驗證 ID。這項比較也假設兩個模型按照相同順序讀取頁面。在三次測試中,有一次模型以不同順序列出傳真檔案的兩欄,結果每個序號都被判定為意見不一致。
步驟 4:使用 Mistral OCR 作為專用引擎
Mistral OCR 是專為檔案 OCR 訓練的模型。在 OpenRouter 上,它會透過 file-parser 外掛程式作為引擎運作,可處理 PDF,每 1,000 頁收費 $2。模型看到檔案之前,外掛程式會先對檔案進行 OCR。它會將辨識出的文字以檔案註記的形式附在回應中,因此你指定的模型只需回覆即可。將掃描檔包成一頁 PDF,再搭配任何平價模型傳送:
import base64
import html
import io
import os
import requests
from PIL import Image, ImageSequence
from transcribe import API, HEADERS # from step 1
def mistral_ocr(path):
if path.lower().endswith(".pdf"): # scanned PDFs go as they are
with open(path, "rb") as f:
raw = f.read()
else: # wrap an image in a PDF in memory, one page per frame of a multipage TIFF
pages = [p.convert("RGB") for p in ImageSequence.Iterator(Image.open(path))]
buf = io.BytesIO()
pages[0].save(buf, "PDF", save_all=True, append_images=pages[1:])
raw = buf.getvalue()
pdf = "data:application/pdf;base64," + base64.b64encode(raw).decode()
pdf_name = os.path.splitext(os.path.basename(path))[0] + ".pdf"
body = {
"model": "upstage/solar-mini4", # any cheap text model; it only has to reply
"max_tokens": 5,
"messages": [{"role": "user", "content": [
{"type": "text", "text": "Reply OK."},
{"type": "file", "file": {"filename": pdf_name, "file_data": pdf}},
]}],
"plugins": [{"id": "file-parser", "pdf": {"engine": "mistral-ocr"}}],
}
response = requests.post(API, headers=HEADERS, json=body, timeout=300)
response.raise_for_status()
data = response.json()
parts = data["choices"][0]["message"]["annotations"][0]["file"]["content"]
texts = [p["text"] for p in parts if p.get("type") == "text"] # skip extracted image parts
text = "\n".join(t for t in texts if not t.startswith(("<file", "</file")))
return html.unescape(text), data["usage"]["cost"]
text, cost = mistral_ocr("receipt_faded.jpg")
print(text)
print(f"\n${cost:.5f}")CAFE VERDIGRIS
22 Quayside Row
Bristol BS1 4QA
VAT No. GB 318 7742 09
27/09/2026 08:17 TILL 2 CHK 0193
...
| CONTACTLESS | 32.95 |
| CARD ***9026 | |
SERVED BY: PRIYA
WIFI: verdigris-guest / tide2026
$0.00202褪色收據上的每個值都辨識正確,包括卡片數字和密碼。Mistral OCR 的設計著重保留版面,因此輸出為 Markdown:收據明細會變成表格,標題會取得 ##,而 & 會以 & 的形式傳回。這就是為什麼這個函式會取消轉義 HTML 實體字元。若需要純文字,請移除 Markdown;若接下來要由 LLM 讀取結果,也可以保留 Markdown。
LLM 的 OCR 表現比 Tesseract 好嗎?
是,但乾淨的打字檔案除外。Tesseract 5.5 會逐行辨識字元形狀,因此在清晰的印刷文字上表現穩定,但遇到雜訊和手寫文字時就會失準。它完美轉錄了信件和電子報。對褪色收據則沒有回傳任何結果;對潦草手寫文字中的 11 個值只辨識出 1 個,對傳真檔案中的 15 個值則辨識出 4 個。
常見問題
哪個 LLM 最適合 OCR?
在我們的測試中是 Claude Opus 5.5。Gemini 3.8 Flash 和 Grok 4.7 的錯誤率也幾乎一樣低,但漏掉的序號更多。DeepSeek V4.1 Flash 和 Ling 3.0 Flash VL 的表現也很接近,每 1,000 頁不到 $0.20。
如何對掃描的 PDF 執行 OCR?
按照步驟 4,使用 mistral-ocr 引擎傳送。或者,將每一頁轉成影像交給視覺模型,或直接將 PDF 傳給能讀取 PDF 的模型。免費的文字解析器無法處理掃描檔,因為掃描檔沒有文字圖層。
哪個 OCR 模型最準確?
Claude Opus 5.5 在 264 個關鍵值中辨識正確 262 個,並在我們的八份掃描檔案中達到 0.02% 的字元錯誤率。Mistral OCR 排名第二,辨識正確 258 個,費用則只有八分之一。
使用 LLM 執行 OCR 要多少錢?
在我們的測試中,每 1,000 頁的費用從 $0.04(關閉推理的 Ling 3.0 Flash VL)到 $16.42(Claude Opus 5.5)不等。Mistral OCR 每 1,000 頁收費 $2。不同模型計算影像 token 的方式不同,因此請用自己的頁面測量費用。
Mistral OCR 比視覺模型好嗎?
在我們的測試中,它的價效比最高:每 1,000 頁只要 $2.02,就能正確擷取 264 個關鍵值中的 258 個,僅次於 Claude Opus 5.5。它會輸出保留版面的 Markdown,而視覺模型則會依照你的要求回傳格式。
LLM 能讀取手寫文字嗎?
可以。15 個視覺模型都能完美轉錄我們字跡工整的筆記。面對潦草的手寫文字時,大多數模型的字元準確率仍超過 99%;錯誤大多出在人名上(例如把「Achterberg」讀成「Ackterberg」)。