程序员谈天

小红书hi lab联合华中科大白翔团队提出 MOCR——一个仅3B参数的多模态OCR模型， 统一图文解析为SVG，在 olmOCR-Bench 上取得 83.9 分的 SOTA 成绩，超越 GPT-4o、 Gemini 等巨型模型。它如何做到的？我们来深度拆解。

多模态大模型直接看图做文档信息抽取，能打平甚至超越传统 OCR+LLM 的 pipeline？ 这篇论文的结论很大胆，但细看之下，事情没那么简单。

从 PyMuPDF 到 GPT-4o，21个 PDF 解析器全面横评。用 LLM 做裁判打分， 结果出乎意料——最贵的不一定最好，开源方案也有惊喜。