---
title: "什么是 OCR？光学字符识别与视觉大模型对比 | BroadRouter"
description: "OCR 把图片和扫描件中的文字转成机器可读的字符。传统 OCR 引擎如何工作、视觉大模型如何免 OCR 读取文档，以及该测试什么。"
url: https://broadrouter.com/zh/glossary/ocr/
lang: zh-Hans
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

本页由英文原文借助 AI 翻译。 [阅读英文原文](https://broadrouter.com/glossary/ocr/) (2026-11-16 更新).

# 光学字符识别（OCR）

更新于 2026-11-16

光学字符识别（OCR）是一种技术，能检测图片、扫描件或 PDF 中的印刷或手写文字，并转换成机器可读的字符。传统 OCR 输出文字及其在页面上的位置；视觉语言模型则能直接读取文字并回答相关问题。

又称： 光学字符识别、文字识别、图片转文字、图片文字识别、文档 OCR、扫描件文字提取、OCR、optical character recognition、text recognition、image to text、document OCR、scanned text extraction

OCR 这一步，把一张收据照片变成程序可以搜索、存储或核对的文本。

## 工作原理

传统 OCR 引擎先在页面上找到文字区域，切分成行，再识别每一行中的字符。最知名的开源引擎 Tesseract 在第 4 版加入了能识别整行文字的 LSTM 神经网络，开箱即可 “recognize more than 100 languages”（译文：识别 100 多种语言）。输出格式包括纯文本、hOCR（HTML）、PDF、隐藏文本 PDF、TSV、ALTO 或 PAGE，因此你还能拿到单词位置。

传统 OCR 止步于字符。要知道哪个数字是总额、哪一行是供应商名称，你需要再加规则或第二个模型。

视觉语言模型走的是另一条路。Hugging Face 的 image-text-to-text 任务页面把文档问答描述为 “an OCR-free approach”（译文：一种免 OCR 的方法）：文档图片直接交给[视觉语言模型](https://broadrouter.com/zh/glossary/vision-language-model/)，由它读取并作答。你可以直接索要字段，并以[结构化输出](https://broadrouter.com/zh/glossary/structured-output/)的形式拿回来。

|  | 传统 OCR（如 Tesseract） | 视觉大模型 |
| --- | --- | --- |
| 输出 | 字符加位置 | 答案、摘要或 JSON 字段 |
| 版面理解 | 有限，需要规则 | 能结合上下文读懂表格和标签 |
| 运行方式 | 本地运行，无按次费用 | 通常是 API，按 token 计费 |
| 风险 | 字符识别错误 | 字符识别错误，以及编造数值 |

## 为什么重要

-   **成本。** 发给大模型 API 的图片按输入 [token](https://broadrouter.com/zh/glossary/token/) 计费。本地 OCR 没有按次费用，但需要服务器和维护。
-   **准确性核查。** 视觉模型可能返回一个看似合理、页面上却没有的总额。让它引用原文，并在代码中核对求和。
-   **阿拉伯语。** 从右到左的书写、相连的字母形态，以及阿拉伯数字与拉丁数字混用，都会增加难度。无论用哪个引擎或模型，都要用你自己的扫描件测试。

## 在 BroadNet Inference 上

BroadNet 没有记录单独的 OCR 端点。它的文档演示了读取发票的方法：把图片以 `data:` URL 的形式发送给模型信息中列有图像或视觉能力的对话模型，例如 [DeepSeek V4.1 Flash](https://broadrouter.com/zh/models/deepseek-v4.1-flash/)、[BroadNet Gemma 4 VL 26B](https://broadrouter.com/zh/models/gemma-4-vl-26b/) 或 [Qwen3.8 27B](https://broadrouter.com/zh/models/qwen3.8-27b/)。在按量付费密钥上，图片按模型的输入价格计为输入 token（Gemma 为每百万 $0.10），图片越大用的 token 越多。按[阿拉伯语发票指南](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/)走一遍，并参阅[用视觉大模型做阿拉伯语 OCR](https://broadrouter.com/zh/blog/arabic-ocr-vision-llm/)，了解什么情况下传统 OCR 仍是更好的工具。

## 常见问题

### OCR 和视觉大模型有什么区别？

OCR 返回它找到的字符及其位置。视觉大模型读取图片后能回答问题，比如“这张发票的总额是多少？”，也能以 JSON 返回指定字段。

### BroadNet 有 OCR 端点吗？

文档中没有单独的 OCR 端点。你把图片发送给 /v1/chat/completions 上支持视觉的对话模型，让它返回你需要的文字或字段。

### 传统 OCR 还值得用吗？

值得，适合大批量、干净的印刷页面，而且只需要文字和位置的场景。它在本地运行，没有按次费用。如果你需要的是字段、表格或答案，而不是原始字符，视觉模型更合适。

## 另请参阅

-   [视觉语言模型（VLM，vision-language model）](https://broadrouter.com/zh/glossary/vision-language-model/) (术语)
-   [多模态 AI（multimodal AI）](https://broadrouter.com/zh/glossary/multimodal/) (术语)
-   [结构化输出（structured output）](https://broadrouter.com/zh/glossary/structured-output/) (术语)
-   [Token（词元）](https://broadrouter.com/zh/glossary/token/) (术语)
-   [Unicode 规范化（Unicode normalization）](https://broadrouter.com/zh/glossary/unicode-normalization/) (术语)
-   [图像 token（image tokens）](https://broadrouter.com/zh/glossary/image-tokens/) (术语)
-   [用视觉模型识别阿拉伯语发票和收据](https://broadrouter.com/zh/guides/read-arabic-invoices-with-vision/) (指南)
-   [阿拉伯语 OCR 与视觉大模型：识别阿拉伯语文档和发票](https://broadrouter.com/zh/blog/arabic-ocr-vision-llm/) (文章)
-   [用视觉大模型把发票、收据和表单数据提取为 JSON](https://broadrouter.com/zh/blog/extract-data-from-documents-with-vision-llm/) (文章)

用你的真实业务负载试一试。 新账户可获得 US$5 初始额度，用于 Gemma和转写。DeepSeek、GLM和Qwen3.8 需要先充值。

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

**来源**

-   [Tesseract OCR，官方 GitHub 仓库（2026-11-16 查阅）](https://github.com/tesseract-ocr/tesseract)
-   [Hugging Face Tasks，image-text-to-text（免 OCR 的文档问答）（2026-11-16 查阅）](https://huggingface.co/tasks/image-text-to-text)
-   [BroadNet Inference API 参考：带图片的对话（2026-11-16 查阅） （英文）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=zh-glossary-ocr&utm_content=sources)
