跳到正文
aihot(aihot.news)· noreply@aihot.news (OpenRouter:Announcements)·· 13 天前精選品質評分75

OpenRouter 實測掃描檔案 OCR 模型:Claude Opus 5.5 最準,Mistral OCR 價效比最高

OpenRouter 實測最佳 OCR 模型:Claude Opus 5.5 最準,Mistral OCR 價效比最高

重點導讀

OpenRouter以 8 張自製掃描頁測試 15 個視覺模型、Mistral OCR 與 Tesseract;Claude Opus 5.5 的關鍵值辨識最準,Mistral OCR 的價效比最高。

AI 伴隨問答

自備 Key 深度分析

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:

推薦理由

測試以自製掃描頁核對關鍵值並比較準確率與成本,也整理推理設定和雙模型交叉校驗的做法,方便評估 OCR 流程。

正文

OpenRouter:Announcements·2026-11-10 08:00· 18 小時前精選AI 評分73

Best OCR Model for Scanned Documents, Measured

AI 導讀

OpenRouter 用 8 張自制掃描頁(264 項關鍵值)實測 15 個視覺模型、Mistral OCR 和 Tesseract 做 OCR 的表現。

推薦理由

OpenRouter 用可核對的合成掃描頁實測 15 個視覺模型做 OCR,給出準確率、成本資料,並附關閉推理和雙模型交叉校驗的可複用方法。

把掃描文件變成可靠的文本並不容易。Tesseract 這類經典 OCR 引擎遇到褪色印刷、手寫和傳真件就會失靈。視覺模型讀這類頁面讀得不錯,但有時會寫出頁面上根本沒有的數值。我們用自己寫的文字做了八張測試頁,這樣每個字元都能核對,然後把它們交給 OpenRouter 上的 15 個視覺模型和 Mistral OCR,再加上 Tesseract 跑了一遍。

測試中準確率最高的 OCR 模型是 Claude Opus 5.5,264 個關鍵值對了 262 個,每 1,000 頁花費 $16.42。價效比最高的是 Mistral OCR:264 個對了 258 個,花費 $2.02。本文展示測試結果、需要警惕的錯誤,以及用來捕捉這些錯誤的程式碼。

這些結果只是一個起點。我們的八張頁面不是你的文件,所以想知道哪個模型最適合你的工作流,唯一可靠的辦法是拿候選模型在你自己的掃描件上測一遍。

要點速覽

  • 最準確:anthropic/claude-opus-5.5。價效比最高:mistral-ocr。便宜又好用的選擇:關閉推理的 inclusionai/ling-3.0-flash-vl,264 個關鍵值對了 254 個,每 1,000 頁 $0.04。
  • 在一張褪色收據上,GPT-6 Luna 和 GPT-6.1 Sol 編造了卡號數字、wifi 密碼和伺服器名。錯誤率反映不出這類問題,所以要檢查你實際會用到的那些值。
  • 關閉推理後,我們測試的五個模型裡有四個變得更快、更便宜,關鍵值一個沒丟。
  • 把來自不同實驗室的兩個便宜模型意見不一致的詞標出來,能抓住 35 個錯詞中的 34 個,每 1,000 頁花費 $0.62。

我們怎麼測的

我們把每頁從已知文本渲染出來,再像掃描件那樣劣化:輕微旋轉、模糊、噪點和 JPEG 壓縮。五頁是普通內容:一張收據、一封故意寫錯兩個詞的信、一張勾了選框的表格、一份雙欄通訊和一張工整的手寫便條。另外三頁是刻意做難的:一張褪色的熱敏收據、一段快速潦草的手寫,以及一份低解析度傳真,上面有 12 個用形近字元(0/O、1/I/L、5/S、8/B)拼成的序列號,讓模型沒法靠上下文猜出來。

Scanned thermal receipt from Cafe Verdigris, faded towards the bottom, with the card number and wifi password barely legible

我們用兩種方式給每份轉錄打分。字元錯誤率(CER)是到正確文本的編輯距離除以文本長度,不計換行和 Markdown。關鍵值是流水線會用到的 88 個字串,每頁 10 到 15 個,比如總額、日期、卡號數字、序列號和拼錯的詞。每個值必須在三次執行中每次都完全一致,這樣每個模型共 264 項檢查。成本是每次請求實際計費的 usage.cost。模型來自 2026 年 10 月 8 日的 OpenRouter 目錄。

哪個 OCR 模型在掃描文件上最準確?

表格按關鍵值正確數排序。

路線關鍵值正確數CER,全部頁面CER,3 張難頁每 1,000 頁成本中位耗時(秒)
anthropic/claude-opus-5.5264 箇中 262 個0.02%0.06%$16.427.2
mistral-ocr(PDF 引擎)264 箇中 258 個0.14%0.26%$2.023.8
anthropic/claude-sonnet-5.5264 箇中 256 個1.34%3.49%$7.684.2
google/gemini-3.8-flash264 箇中 254 個0.15%0.28%$7.509.3
stepfun/step-5-preview264 箇中 254 個0.42%1.11%$5.489.3
inclusionai/ling-3.0-flash-vl264 箇中 254 個1.05%2.56%$0.127.2
anthropic/claude-haiku-5.5264 箇中 253 個1.19%2.89%$0.463.8
x-ai/grok-4.7264 箇中 252 個0.13%0.35%$12.8511.3
z-ai/glm-5.3-flashx264 箇中 252 個0.33%0.86%$1.455.5
openai/gpt-6.1-sol264 箇中 252 個0.65%1.74%$6.038.4
deepseek/deepseek-v4.1-flash264 箇中 248 個0.20%0.48%$0.204.8
qwen/qwen3.8-flash264 箇中 248 個0.74%1.49%$0.298.1
qwen/qwen3.8-27b264 箇中 246 個0.92%2.31%$1.5410.8
xiaomi/mimo-v2.6-flash264 箇中 246 個2.02%5.34%$0.583.1
mistralai/mistral-large-4-0264 箇中 240 個4.61%12.19%$6.8047.9
openai/gpt-6-luna264 箇中 232 個1.49%3.95%$0.547.8
Tesseract 5.5(本地,1 次執行)88 箇中 46 個26.06%64.39%$058.1

在五張普通頁面上,每個視覺模型的 CER 都低於 0.3%,15 個模型全都完美轉錄了那張工整的手寫便條。差距主要來自那張褪色收據。Opus 5.5 和 Mistral OCR 在這張頁面上 33 項檢查全對,而 GPT-6 Luna 只對了 16 項。各模型計算影像 token 的方式不同(中位頁面 DeepSeek 是 1,070 個提示詞 token,Grok 是 3,314 個),所以成本要在你自己的頁面上測。

哪個 OCR 模型適合你的工作

如果你的大部分工作是先從誰開始為什麼
每個值都不能錯的高難度掃描件Claude Opus 5.5264 個關鍵值對了 262 個,每 1,000 頁 $16.42
價格公道的大批次處理Mistral OCR(mistral-ocr PDF 引擎)264 個關鍵值對了 258 個,每 1,000 頁 $2.02
成本最低Ling 3.0 Flash VL,關閉推理264 個關鍵值中識別出 254 個,每 1,000 頁 $0.04
外形相似的字元導致的序列號和 ID 錯誤Claude Haiku 5.5 由 DeepSeek V4.1 Flash 複核兩者共標出 35 個錯詞中的 34 個,每 1,000 頁 $0.62
乾淨的列印頁面,離線執行Tesseract 5.5在信件和簡報上表現完美,而且免費,但面對褪色收據卻什麼都沒返回

視覺模型讀取難處理的掃描件時,會出什麼問題?

最嚴重的錯誤是看似合理、但頁面上根本不存在的值。下面是褪色收據底部的實際列印內容,後面是一次 GPT-6 Luna 的執行結果:

CONTACTLESS 32.95
CARD ****9026
SERVED BY: PRIYA
WIFI: verdigris-guest / tide2026
NET                                 27.46

CONTACTLESS
CARD **** 9027

SERVED BY: SHEVA
WIFI: verdigris_guest / 1freecoffee

收據上沒有 NET 這一行。卡號以 9026 結尾,姓名和密碼都是編造的。GPT-6 Luna 在三次執行中都改掉了伺服器名稱和年份。GPT-6.1 Sol 每次執行都編出不同的密碼(flatwhite24、flat9am!、flatleaf)。我們還要求模型在不確定時寫 [?] 而不是猜測。這沒有用:七個模型中有四個從未使用過這個標記。

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把兩個傳真序列號讀錯。只有 Claude Sonnet 5.5 和 GPT-6.1 Sol 每次都讀對了。
  • 拼寫“糾正”:信件署名是“Senior Assosiate”,提示詞要求逐字照抄拼寫。45 份轉錄中仍有 16 份把它“糾正”了。
  • 勾選框:Claude Sonnet 5.5 和 Haiku 5.5 抄下了表單的核取方塊標籤,卻漏掉了哪個框被勾選。

第 1 步:把掃描件發給視覺模型

視覺模型生成轉錄文本的方式,和語言模型生成任何文本一樣,所以它傾向於寫出文本通常該有的樣子,而不是頁面上實際印的內容。提示詞要求它逐字照抄。這能減輕問題,但不能消除:45 份轉錄中仍有 16 份“糾正”了信件裡故意寫錯的拼寫。你需要在 OPENROUTER_API_KEY 中填入 OpenRouter API key。圖片以 base64 的 image_url 部分傳入(參見 image inputs),因此 OpenRouter 上每個視覺模型都接受同樣的請求。把它儲存為 transcribe.py,因為第 3 步和第 4 步要從它匯入:

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

每個字元都正確返回,成本約百分之二美分。資料 URL 的型別取自副檔名,所以 PNG 和 WebP 掃描件也能用。要比較模型,只需改 model 字串;對第 2 步中無法關閉推理的模型,傳入 reasoning=None。

加 finish_reason 檢查是因為推理 token 也計入 max_tokens。在 4,000 的上限下,Gemini 3.8 Flash 每次執行都花 3,841 個 token 推理那份傳真,結果在序列號 4 處中途停止。請求仍然返回了帶 finish_reason: "length" 的 200 OK,所以沒有這項檢查,流水線會在不知不覺中存下不完整的轉錄。

第 2 步:轉錄時關閉推理

當模型需要規劃答案時,推理有幫助。從頁面上抄文本不需要規劃,所以額外的 token 大多隻會增加成本和時間。這就是 transcribe 預設傳送 "reasoning": {"effort": "none"} 的原因(參見 reasoning tokens)。我們對所有允許關閉推理的模型,在關閉推理的情況下重跑了完整測試:

模型關鍵值,開 → 關CER,開 → 關每 1,000 頁成本,開 → 關中位耗時(秒),開 → 關
mistralai/mistral-large-4-0240 → 2494.61% → 0.15%$6.80 → $1.6847.9 → 5.6
inclusionai/ling-3.0-flash-vl254 → 2541.05% → 0.19%$0.12 → $0.047.2 → 4.0
openai/gpt-6-luna232 → 2321.49% → 1.08%$0.54 → $0.227.8 → 3.8
deepseek/deepseek-v4.1-flash248 → 2490.20% → 0.23%$0.20 → $0.164.8 → 4.5
qwen/qwen3.8-27b246 → 2440.92% → 2.28%$1.54 → $0.7710.8 → 8.9

開啟推理時,一次 Mistral Large 4 請求推理了 626 秒,卻沒有返回任何文本(finish_reason: "error")。Qwen3.8 27B 開啟推理後表現更好,所以請用你自己的頁面測試。Gemini 3.8 Flash、Grok 4.7 和 GLM 5.3 FlashX 不允許關閉推理,因此傳入 reasoning=None 以省略該欄位。否則請求會失敗並報錯:

400 {"error":{"message":"Reasoning is mandatory for this endpoint and cannot be disabled.","code":400,"metadata":{"provider_name":null}}}

第 3 步:交叉核對來自不同實驗室的兩個模型

模糊影像裡,O 和 0 這類形近字元很難分辨。每個模型都按自己訓練出的判斷來識別,所以不同實驗室的兩個模型很少會犯同樣的錯誤。它們轉錄結果不一致的地方,通常就是影像不清楚的地方。我們把六個模型兩兩組合全部測了一遍。表現最好的是 Claude Haiku 5.5,由 DeepSeek V4.1 Flash 負責校驗。Haiku 在 2,964 個詞裡錯了 35 個,DeepSeek 按第 2 步那樣關閉推理,在其中 34 處給出了不同結果,另有 10 次誤報。這一組合每 1,000 頁花費 $0.62,是 Mistral OCR 的三分之一。兩者用的是同一個 API,所以校驗只需多一次呼叫。呼叫 Haiku 時用的是 reasoning=None,因為它在我們的表格裡就是這麼跑的:

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

這兩個序列號是大多數模型都讀錯的地方。如果兩個模型以同樣的方式誤讀同一個字元,就不會被標記出來。我們的測試中發生過一次:兩個模型都把 O 讀成了零,所以只要條件允許,最好用清單或校驗和來驗證 ID。這種比對還假設兩個模型按相同順序讀取頁面。三次執行中有一次,兩個模型對傳真兩欄的排列順序不同,結果每個序列號都被標成了不一致。

第 4 步:把 Mistral OCR 當作專用引擎

Mistral OCR 是專門為文件 OCR 訓練的模型。在 OpenRouter 上,它以 file-parser 外掛中的引擎形式執行,接受 PDF,每 1,000 頁收費 $2。外掛會在你的模型看到檔案之前先做 OCR。它把文本作為檔案註釋附在響應裡返回,所以你指定的模型只需負責回覆。把掃描件包進一頁的 PDF,再配任意便宜的模型傳送即可:

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

那張褪色收據上的每個值都讀對了,包括卡號數字和密碼。Mistral OCR 的設計目標是保留版面,所以輸出是 Markdown:收據行變成表格,標題會帶上 ##,& 返回為 &amp;。這也是函式要反轉義 HTML 實體的原因。需要純文本就剝掉 Markdown,如果接下來由 LLM 讀取結果,就保留它。

做 OCR,LLM 比 Tesseract 更好嗎?

是的,但乾淨的列印頁面除外。Tesseract 5.5 逐行識別字符形狀,所以在清晰的印刷體上表現穩定,遇到噪點和手寫就撐不住。它把那封信和那份簡報轉錄得完美無缺。面對褪色收據它什麼都沒返回,雜亂手寫 11 個值裡只讀出 1 個,傳真 15 個值裡讀出 4 個。

常見問題

做 OCR 用哪個 LLM 最好?

在我們的測試中是 Claude Opus 5.5。Gemini 3.8 Flash 和 Grok 4.7 的錯誤率幾乎一樣低,但漏掉的序列號更多。DeepSeek V4.1 Flash 和 Ling 3.0 Flash VL 表現接近,每 1,000 頁不到 $0.20。

怎麼對掃描版 PDF 做 OCR?

按第 4 步用 mistral-ocr 引擎傳送。另一種辦法是把每頁渲染成影像交給視覺模型,或者把 PDF 直接發給能讀 PDF 的模型。免費的文本解析器對掃描件沒用,因為掃描件沒有文本層。

最準確的 OCR 模型是哪個?

Claude Opus 5.5 在 264 個關鍵值中讀對 262 個,在我們八份掃描件上的字元錯誤率為 0.02%。Mistral OCR 以 264 箇中讀對 258 個位居第二,成本只有八分之一。

用 LLM 做 OCR 要花多少錢?

在我們的測試中,從每 1,000 頁 $0.04(Ling 3.0 Flash VL,關閉推理)到 $16.42(Claude Opus 5.5)不等。Mistral OCR 每 1,000 頁收費 $2。各模型計算影像 token 的方式不同,所以成本要拿你自己的頁面來測。

Mistral OCR 比視覺模型更好嗎?

它是我們測試中價效比最高的:每 1000 頁 2.02 美元,264 個關鍵值中識別對了 258 個,僅次於 Claude Opus 5.5。它返回的 Markdown 能保留版面佈局,而視覺模型則按你要求的格式返回結果。

大語言模型能識別手寫體嗎?

能。15 個視覺模型都完美轉錄了我們工整的筆記。面對潦草的手寫,大多數模型的字元準確率仍在 99% 以上,出錯的主要是人名(把“Achterberg”認成了“Ackterberg”)。

下一步

來源:OpenRouter:Announcements · openrouter.ai

來源: aihot (aihot.news)
開啟原文

讀者討論

理性交流 · 即時討論