---
title: "Что такое OCR? Распознавание текста и визуальные LLM"
description: "OCR превращает текст на изображениях и сканах в машиночитаемые символы. Как работают OCR-движки, как визуальные LLM читают документы без OCR и что тестировать."
url: https://broadrouter.com/ru/glossary/ocr/
lang: ru
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/ocr/) (обновлён 2026-11-16).

# Оптическое распознавание символов (OCR)

Обновлено 2026-11-16

Оптическое распознавание символов (OCR) — это технология, которая находит печатный или рукописный текст на изображении, скане или в PDF и превращает его в машиночитаемые символы. Классический OCR выдаёт текст и его положение на странице; визуально-языковые модели могут прочитать текст и сразу ответить на вопросы о нём.

Также называют: распознавание текста, распознавание текста с картинки, текст с фото, OCR документов, распознавание сканов, optical character recognition, text recognition, image to text, document OCR, scanned text extraction

OCR — это шаг, который превращает фото чека в текст, который программа может искать, хранить или проверять.

## Как это работает

Классический OCR-движок находит на странице области с текстом, делит их на строки и распознаёт символы в каждой строке. Tesseract, самый известный движок с открытым кодом, в версии 4 получил нейросеть LSTM, которая распознаёт строки целиком, и из коробки умеет “recognize more than 100 languages” (перевод: «распознавать более 100 языков»). Результат выдаётся как обычный текст, hOCR (HTML), PDF, PDF с невидимым текстовым слоем, TSV, ALTO или PAGE, так что вы получаете и положение слов.

Классический OCR останавливается на символах. Чтобы понять, какое число — итоговая сумма, а какая строка — название поставщика, нужны правила или вторая модель.

Визуально-языковые модели идут другим путём. Страница задачи image-text-to-text на Hugging Face описывает ответы на вопросы по документам как “an OCR-free approach” (перевод: «подход без OCR»): изображение документа сразу отправляется [визуально-языковой модели](https://broadrouter.com/ru/glossary/vision-language-model/), которая читает его и отвечает. Можно сразу просить поля и получать их как [структурированный вывод](https://broadrouter.com/ru/glossary/structured-output/).

|  | Классический OCR (например, Tesseract) | Визуальная LLM |
| --- | --- | --- |
| Результат | символы и их положение | ответы, краткие изложения или поля JSON |
| Понимание вёрстки | ограниченное, нужны правила | читает таблицы и подписи в контексте |
| Где работает | локально, без платы за вызов | обычно через API с оплатой за токены |
| Риск | неверно прочитанные символы | неверно прочитанные символы и выдуманные значения |

## Почему это важно

-   **Стоимость.** Изображение, отправленное в API LLM, тарифицируется как входные [токены](https://broadrouter.com/ru/glossary/token/). Локальный OCR не берёт плату за вызов, но требует серверов и обслуживания.
-   **Проверка точности.** Визуальная модель может вернуть правдоподобную сумму, которой нет на странице. Просите её цитировать исходный текст и проверяйте суммы в коде.
-   **Арабский.** Письмо справа налево, слитные формы букв и смесь арабских и латинских цифр — всё это добавляет сложности. Тестируйте любой движок или модель на своих сканах.

## В BroadNet Inference

BroadNet не документирует отдельного эндпоинта для OCR. Документация показывает, как прочитать счёт: изображение отправляется как `data:` URL чат-модели, у которой в строке модели указаны изображения или vision, например [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/), [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/) или [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/). На ключе с оплатой по факту изображение считается входными токенами по цене входа модели ($0.10 за 1 млн у Gemma), и изображения побольше занимают больше токенов. Пошаговый разбор — в [руководстве по арабским счетам](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/), а когда классический OCR всё ещё лучше, читайте в статье [об арабском OCR с визуальными LLM](https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/).

## Вопросы и ответы

### Чем OCR отличается от визуальной LLM?

OCR возвращает найденные символы и их положение. Визуальная LLM читает изображение и может ответить на вопрос, например «какая сумма в счёте?», или вернуть именованные поля в JSON.

### Есть ли у BroadNet эндпоинт для OCR?

Отдельный эндпоинт для OCR не документирован. Вы отправляете изображение чат-модели с поддержкой изображений на /v1/chat/completions и просите нужный текст или поля.

### Стоит ли ещё пользоваться классическим OCR?

Да, для больших объёмов чистых печатных страниц, когда нужны только текст и его положение. Он работает локально без платы за вызов. Визуальные модели лучше, когда нужны поля, таблицы или ответы, а не просто символы.

## См. также

-   [Визуально-языковая модель (VLM)](https://broadrouter.com/ru/glossary/vision-language-model/) (термин)
-   [Мультимодальный ИИ (multimodal AI)](https://broadrouter.com/ru/glossary/multimodal/) (термин)
-   [Структурированный вывод (structured output)](https://broadrouter.com/ru/glossary/structured-output/) (термин)
-   [Токен (token)](https://broadrouter.com/ru/glossary/token/) (термин)
-   [Нормализация Unicode (Unicode normalization)](https://broadrouter.com/ru/glossary/unicode-normalization/) (термин)
-   [Токены изображений (image tokens)](https://broadrouter.com/ru/glossary/image-tokens/) (термин)
-   [Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/) (руководство)
-   [OCR арабского или vision-LLM: как читать арабские документы и счета](https://broadrouter.com/ru/blog/arabic-ocr-vision-llm/) (статья)
-   [Распознавание счетов, чеков и форм в JSON с помощью vision LLM](https://broadrouter.com/ru/blog/extract-data-from-documents-with-vision-llm/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-ocr&utm_content=page-cta) ·

**Источники**

-   [Tesseract OCR, официальный репозиторий на GitHub (проверено 2026-11-16)](https://github.com/tesseract-ocr/tesseract)
-   [Hugging Face Tasks, image-text-to-text (вопросы и ответы по документам без OCR) (проверено 2026-11-16)](https://huggingface.co/tasks/image-text-to-text)
-   [Справочник API BroadNet Inference, чат с изображением (проверено 2026-11-16) (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-ocr&utm_content=sources)
