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
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
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:
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。
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。

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-5.5 | 264 箇中 262 個 | 0.02% | 0.06% | $16.42 | 7.2 |
mistral-ocr(PDF 引擎) | 264 箇中 258 個 | 0.14% | 0.26% | $2.02 | 3.8 |
anthropic/claude-sonnet-5.5 | 264 箇中 256 個 | 1.34% | 3.49% | $7.68 | 4.2 |
google/gemini-3.8-flash | 264 箇中 254 個 | 0.15% | 0.28% | $7.50 | 9.3 |
stepfun/step-5-preview | 264 箇中 254 個 | 0.42% | 1.11% | $5.48 | 9.3 |
inclusionai/ling-3.0-flash-vl | 264 箇中 254 個 | 1.05% | 2.56% | $0.12 | 7.2 |
anthropic/claude-haiku-5.5 | 264 箇中 253 個 | 1.19% | 2.89% | $0.46 | 3.8 |
x-ai/grok-4.7 | 264 箇中 252 個 | 0.13% | 0.35% | $12.85 | 11.3 |
z-ai/glm-5.3-flashx | 264 箇中 252 個 | 0.33% | 0.86% | $1.45 | 5.5 |
openai/gpt-6.1-sol | 264 箇中 252 個 | 0.65% | 1.74% | $6.03 | 8.4 |
deepseek/deepseek-v4.1-flash | 264 箇中 248 個 | 0.20% | 0.48% | $0.20 | 4.8 |
qwen/qwen3.8-flash | 264 箇中 248 個 | 0.74% | 1.49% | $0.29 | 8.1 |
qwen/qwen3.8-27b | 264 箇中 246 個 | 0.92% | 2.31% | $1.54 | 10.8 |
xiaomi/mimo-v2.6-flash | 264 箇中 246 個 | 2.02% | 5.34% | $0.58 | 3.1 |
mistralai/mistral-large-4-0 | 264 箇中 240 個 | 4.61% | 12.19% | $6.80 | 47.9 |
openai/gpt-6-luna | 264 箇中 232 個 | 1.49% | 3.95% | $0.54 | 7.8 |
| Tesseract 5.5(本地,1 次執行) | 88 箇中 46 個 | 26.06% | 64.39% | $0 | 58.1 |
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 5.5 | 264 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 / tide2026NET 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-4-0 | 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 &。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
- 影像輸入介紹瞭如何通過 URL 或 base64 傳送影像,我們的視覺 API 指南則講解了細節級別。
- PDF 輸入列出了各種 PDF 引擎,並說明了如何複用解析結果。
- 視覺模型合集列出了所有支援影像輸入的模型。
- 如果想把手寫轉錄結果轉成帶型別的欄位,請參閱結構化輸出。
來源:OpenRouter:Announcements · openrouter.ai