OCR模型与通用大模型对比

做发票、合同、证照、表格录入这类文档识别时，最容易卡住的一步不是接哪个接口，而是先判断该用专用 OCR 模型还是通用大模型。两者在版式还原、手写和生僻字、字段结构化上的表现差距很大，计费口径也完全不同。这篇按任务特征拆开讲，给出可照着走的选型和验证顺序。

做发票、合同、证照、表格录入这类文档识别时，最容易卡住的一步不是接哪个接口，而是先判断该用专用 OCR 模型还是通用大模型。两者在版式还原、手写和生僻字、字段结构化上的表现差距很大，计费口径也完全不同。选错了不是多花点钱的问题，而是后期大量人工复核压垮流程。

这篇按任务特征拆开讲，给出可照着走的选型和验证顺序。核心思路是：先分清任务属于哪一层识别，再按精度和成本两条线做对照，最后决定是单走一条还是做混合流水线。所有涉及具体数字的地方，都去站内对应页面核对你当时的账单和报价。

先分清你的任务属于哪一类识别

不要一上来就问「哪个模型识别率高」。先把需求拆成三层，三层的难度和技术路线完全不同。拆错了，后面所有的对比都是在比一个不需要的指标。

• 纯文本抽取和固定版式表单，专用 OCR 一般能稳定交付，成本和延迟都可控；
• 需要跨页理解、字段推理、口语化指令的场景才轮到通用大模型上场；
• 如果同一份文档既要还原表格结构又要做字段校验，往往需要两者串联，而不是二选一；
• 判断不准的时候，先问自己：这份文档的版式下个月会不会变？会变就往通用大模型偏一点。

精度别只看一个数字，按四个维度拆开比

官方案例图上的识别效果参考价值有限。真实的精度差异要在你自己的文档上按四个维度分别看，混在一起平均会掩盖系统性偏差。

字符准确率

印刷体、手写、生僻字、小字号分别是什么水平，不要只看印刷体平均值

结构还原

表格合并单元格、多栏排版、印章压字会不会串行，串行比错字更难修

字段级准确率

抽出来的金额、日期、编号能否直接入库，不能入库就等于零

拒识能力

不确定时给不给置信度，还是直接编一个看起来合理的值

第三和第四点最容易被忽略，但它们决定的其实是你后面的后处理和人工复核成本。字段级准确率低一点，可能只是多几个复核工位；拒识能力差，则是错误静默扩散，等发现时已经入了账。

成本要按整条链路算，不只看单价

专用 OCR 一般按页或按次计费，通用大模型按输入输出 token 计费。表面单价没法直接比，因为长文档和高分辨率图片会显著放大 token 用量，同一页在两边的口径完全不一样。

• 到 /tools/model-cost-calculator 按自己的月处理量换算，别用单页价乘以页数就想当然；
• 再到 /official-api 核对当时的各家价格，注意区分是否有批量折扣和阶梯价；
• 把失败重跑、人工复核和存档的隐性人力成本也算进去，小团队尤其要按倍数留余量；
• 通用大模型输出格式漂移导致的校验和重试，长期看往往比接口费更贵。

用几个任务信号快速做初判

在你还没跑样本之前，可以先根据任务信号做一个粗判，帮你决定先测哪一条路线，节省验证时间。

还有一条混合路线值得优先考虑：专用 OCR 先出文本和坐标，通用大模型只做纠错和结构化。这样通常能同时压低误差和单价，代价是链路变长，需要多监控一环。

• 拿不准时先用小批量真实文档跑一遍，别用官方案例图做判断；
• 样本要覆盖你自己业务里最脏的那一类，而不是最好看的那一类；
• 把两类错误分开记：识别错了字，还是理解错了字段含义。

上线前必须做的一轮对照验证

选型不能靠感觉，上线前必须跑一轮对照。下面这套顺序可以照着走，重点是分组测，而不是混在一起看总分。

1. 抽真实样本从真实业务里抽一批，覆盖清晰件、扫描件、拍照件、手写件、表格件，按类型分组而不是混在一起平均。
2. 定验收线为每组写下字段级准确率、结构性错误率、必须人工复核的比例三条线，先写再去测。
3. 跑对照同一批样本分别跑专用 OCR 和通用大模型，记录错例类型，看错误是随机噪声还是系统性偏差。
4. 算总账把每条路线的耗时、单价、失败率一起列成表，再决定主路和兜底路。

验证时特别留意一点：如果某一类文档在通用大模型上错得很有规律，说明它缺的是版面信息而不是语言理解能力，这类任务回到专用 OCR 反而更稳。

混合流水线怎么搭更稳

大多数真实业务的答案不是二选一，而是分层组合。下面这套三层结构是常见做法，可以根据你的量级裁剪。

• 第一层用专用 OCR 或轻量版面分析做粗抽取，速度快、成本低，先把大块文本和坐标拿到；
• 第二层只把低置信度片段或需要推理的字段送进通用大模型，减少 token 消耗；
• 第三层做规则校验，比如金额合计、日期合法、编号格式，把明显错的拦下来；
• 保留原始图像和中间结果，出问题时能回放到具体是识别错还是推理错。

第三层的规则校验最便宜也最容易被跳过。它不需要模型，只需要你把业务里已知的硬约束写下来，就能挡掉相当一部分明显错误。

先让便宜的环节做掉大部分活，再让贵的模型只处理真正难的那一小部分。

常见踩坑与不适用的情况

下面这些坑几乎每个做文档识别的团队都会遇到，提前知道能少走弯路。同时也要清楚，某些场景下这两条路线都不合适。

• 用通用大模型直接处理整页高清扫描图，token 费用会远超预期，且长文档容易漏段；
• 把专用 OCR 的字段级结果当最终数据直接入库，不做校验，错误会静默扩散；
• 文档类型频繁变更时，专用 OCR 的模板维护成本会持续上升，这时要重新评估路线；
• 强合规场景要确认数据是否出内网、是否留存，通用大模型走公网接口前先过一遍 /safety。

一份可以直接照着做的落地清单

把前面几节收敛成一张清单，按顺序执行，每步都有可见的产出，方便和团队同步进度。

1. 归类任务把任务归到三层识别中的哪一类，写下验收线，产出一页纸的选型备忘。
2. 准备样本抽 50 到 200 份真实样本，按文档类型分组，覆盖最脏的那一类。
3. 跑对照记录每组准确率、单价、耗时、失败率，算每千份走到可用状态的总花费。
4. 定路线定主路线和兜底路线，写清触发切换的条件，比如复核率超过某条线就切。
5. 持续抽检上线后持续抽检，把人工复核率当作核心指标盯着，发现漂移再回到对照表。