TeleOCR Inafanya kazi

TeleOCR ni modeli ya uchanganuzi wa hati iliyotolewa kama chanzo huria na Maabara ya Xingchen ya China Telecom. Inatumia usanifu mwepesi wa lugha ya kuona wenye takriban vigezo bilioni 1.2, ikichakata kwa pamoja hati za kidijitali na hati zilizopigwa picha kwa kamera ndani ya mfumo mmoja, na inaweza kuchanganua maandishi, mpangilio, jedwali, fomula na michoro ya kisayansi kuwa matokeo yaliyopangwa kama Markdown na JSON. TeleOCR imeongoza orodha ya OmniDocBench v1.6, ikashika nafasi ya kwanza katika PureDocBench na kuwa bingwa wa uchanganuzi wa michoro ya kisayansi wa ICDAR-2026. Inaauni uwekaji wa ndani kwa GPU na inafaa kwa uchimbaji wa data iliyopangwa kutoka mikataba, karatasi za utafiti, kumbukumbu na hali nyinginezo.

Utambuzi wa maandishi: Hutoa maandishi ya hati kwa usahihi wa juu; usahihi wa utambuzi wa hati za kidijitali hufikia 97.22.
Uchambuzi wa mpangilio: Hutambua nafasi na uhusiano wa kihierarkia wa maandishi, majedwali, fomula na vipengele vingine kwenye ukurasa.
Uchanganuzi wa majedwali: Hurejesha kwa usahihi miundo changamano ya majedwali yenye safu na nguzo zinazovuka pamoja na seli zilizounganishwa; TEDS hufikia 97.05.
Uchanganuzi wa fomula: Huchanganua kimuundo maana na sarufi ya fomula, na kurejesha alama kwa usahihi; CDM hufikia 96.36.
Uchanganuzi wa michoro ya kisayansi: Hutambua vipengele vya michoro na kutoa data, na inaweza kubadilisha chati za nguzo za karatasi za utafiti kuwa majedwali yaliyopangwa (uwezo wa ubingwa wa ICDAR-2026).
Uchakataji wa hati zilizopigwa picha: Huchakata moja kwa moja hati halisi zilizoharibika kwa upotoshaji wa mtazamo, kukunjika kwa ukurasa, vivuli na ukungu, bila kuhitaji modeli tofauti ya kurekebisha upotoshaji.
Matokeo yaliyopangwa: Matokeo yanaweza kuzalishwa katika miundo ya Markdown, JSON, majedwali na fomula, hivyo kurahisisha kuunganishwa na mifumo ya utafutaji wa maarifa na mifumo ya biashara.

Fuatilia WeChat na ujibu “开源” ili kujiunga na kundi la majadiliano la miradi ya AI ya chanzo huria
Usanifu wa pamoja wa lugha ya kuona: TeleOCR hutumia modeli mwepesi wa lugha ya kuona wenye takriban vigezo bilioni 1.2, ikiweka hati za kidijitali na hati zilizopigwa picha kwa kamera katika mfumo mmoja, na kukamilisha uchanganuzi wa mpangilio na maudhui kutoka mwanzo hadi mwisho. Hii hubadilisha mfululizo wa jadi wa “utambuzi wa mpangilio → urekebishaji wa picha → utambuzi”, na kuepuka mkusanyiko wa makosa.
Uundaji unaotambua jiometri: Kwa ajili ya mabadiliko yasiyo ya kawaida ya kurasa, mfumo huingiza uundaji unaotambua jiometri na sampuli za Douglas-Peucker zinazoongozwa na mkunjo, ukijifunza kwa uwazi mipaka ya hati na muundo wa anga. Hivyo modeli inaweza kushughulikia moja kwa moja kurasa zilizopinda, zilizokunjwa na zenye upotoshaji wa mtazamo.
Mzunguko kamili wa uhandisi wa data: Mfumo wa data unashughulikia uzalishaji, usafishaji, tathmini na uboreshaji. Lebo bandia zenye uaminifu wa juu huchaguliwa kupitia upigaji kura wa makubaliano kati ya nodi nyingi; usanisi wa data unaotambua jiometri huunda sampuli kwa kuzingatia mzunguko, upotoshaji na kukunja; uthibitishaji wa picha kwa picha hutoa tena matokeo ya uchanganuzi na kuyalinganisha ili kusahihisha makosa kiotomatiki; usafishaji wa hatua kwa hatua huingiza sampuli zenye uwiano wa juu kwenye seti ya mafunzo na kutumia sampuli zenye tofauti kubwa kuboresha mifano migumu, na kuunda mzunguko wa uteuzi kwa kura—kujifunza kwa modeli yenyewe.
Mafunzo ya hatua nne yanayoendelea: Mafunzo huendelea kwa “ulinganifu wa lugha ya kuona → uchanganuzi wa hati unaotambua jiometri → kujifunza kutenganisha maudhui na muundo → kujifunza kwa uimarishaji”, huku lengo likihama kutoka utambuzi wa msingi hadi uelewa wa kina. Kwa kazi za majedwali, Structure-only huimarisha uelewa wa muundo wa safu na nguzo, kisha Structure+Content hukamilisha ulinganifu wa pamoja; kazi za fomula hutumia pia kujifunza kulitenganisha maana na mpangilio wa kisarufi.

Maandalizi ya mazingira: Sakinisha Python 3.10+ na uhakikishe kuwa kuna mazingira ya GPU yanayounga mkono CUDA.
Pakua msimbo: Tekeleza git clone https://github.com/caipeng328/TeleOCR.git kisha uingie kwenye saraka hiyo.
Unda mazingira: Tumia conda kuunda mazingira pepe yenye jina teleocr na kuyaamilishe.
Sakinisha utegemezi: Endesha pip install -e . ili kusakinisha utegemezi wa mradi.
Pakua modeli: Baada ya pip install modelscope, tumia amri ya modelscope kupakua uzani kwenye saraka ya ndani ./models/TeleOCR.
Andaa saraka: Weka saraka ya picha za kuingiza IMAGE_SUB_PATH na saraka ya kuhifadhi matokeo RESULT_SAVE_PATH.
Endesha makisio: Tekeleza python infer.py, ukipitisha njia ya picha, njia ya matokeo, --use_async, --override, njia ya modeli na vigezo vya backend.
Chagua backend: Kwa matumizi ya kawaida tumia vllm-engine; kwa uchakataji wa kundi wenye ulinganifu mkubwa unaweza kubadili hadi vllm-async-engine.
Weka hali ya mpangilio: Kwa hati za kidijitali tumia LAYOUT_MODE="Detection"; kwa kurasa zilizopinda au zilizoharibika zilizopigwa picha badilisha hadi "Segmentation".
Rekebisha vigezo: Rekebisha MAX_MODEL_LEN (urefu wa muktadha), GPU_MEMORY_UTILIZATION (matumizi ya kumbukumbu ya GPU), PDF_TOOLS (backend ya PDF) na MAX_PIXELS (idadi ya juu ya pikseli kwa ukurasa) inapohitajika.
Pata matokeo: Soma matokeo yaliyopangwa ya Markdown/JSON/maj़edwali kutoka kwenye saraka ya kutoa, kisha uyaunganishe na mfumo wa chini.

Matokeo bora kwenye viwango: Imeongoza OmniDocBench v1.6 kwa alama ya jumla ya 96.87, ikizipita modeli maalum kama MinerU2.5-Pro, PaddleOCR-VL-1.6 na OvisOCR2.
Vigezo vichache: Ina takriban vigezo bilioni 1.2 pekee, hivyo kupunguza kizingiti cha uwekaji wa ndani na kufaa kwa hali za matumizi binafsi.
Mfumo mmoja: Hati za kidijitali na hati zilizopigwa picha huchanganuliwa ndani ya modeli moja, bila kuhitaji kusambaza mifumo mingi kwa vyanzo tofauti vya hati.
Hakuna urekebishaji wa awali wa upotoshaji: Uundaji unaotambua jiometri unaweza kushughulikia moja kwa moja kurasa zilizopinda, zilizokunjwa na zenye upotoshaji wa mtazamo, na kupunguza mkusanyiko wa makosa kutoka moduli huru za urekebishaji.
Matokeo yaliyopangwa: Hutoa moja kwa moja matokeo yanayoweza kuchakatwa kama Markdown, JSON, majedwali na fomula, na kurahisisha kuunganishwa na utafutaji wa maarifa na uendeshaji wa biashara kiotomatiki.
Uwezo mkubwa wa majedwali changamano: Katika majedwali yenye safu na nguzo zinazovuka na seli zilizounganishwa, uhusiano wa safu na nguzo hauvurugiki wala kuchanganyika; TEDS hufikia 97.05.
Bingwa wa uchanganuzi wa michoro ya kisayansi: Inaweza kutambua vipengele vya michoro na kutoa data, na ilishinda changamoto ya uchanganuzi wa michoro ya kisayansi ya ICDAR-2026.
Mzunguko bora wa data: Upigaji kura wa makubaliano kati ya nodi nyingi na utaratibu wa kujithibitisha huunda hifadhi ya data ya mafunzo yenye makumi ya mamilioni ya sampuli, huku data nyingi iliyozalishwa ikihitaji lebo za kibinadamu.

Hifadhi ya GitHub: https://github.com/caipeng328/TeleOCR
Hifadhi ya modeli ya HuggingFace: https://www.modelscope.cn/models/XingChen-AGI/TeleOCR
Makala ya kiufundi ya arXiv: https://arxiv.org/pdf/2608.12898

Uwekaji wa mikataba na kumbukumbu katika mfumo wa kidijitali: Huchanganua majedwali yenye safu na nguzo zinazovuka pamoja na muundo wa mpangilio katika mikataba na kumbukumbu, na kuyabadilisha kuwa data iliyopangwa inayoweza kutafutwa.
Uchanganuzi wa karatasi za utafiti: Hutoa fomula, majedwali na data ya chati za nguzo kutoka kwenye karatasi za utafiti, na kusaidia uchanganuzi wa fasihi na ujenzi wa hifadhidata za maarifa.
Uchakataji wa hati za kifedha: Hutambua picha za ankara, fomu na hati nyingine, huvumilia upotoshaji wa mtazamo na ukungu, na kuingiza data kiotomatiki kwenye mifumo ya biashara.
Uingizaji wa maswali ya elimu: Hubadilisha fomula zilizochapishwa na maswali ya majedwali kwenye mitihani kuwa miundo inayoweza kuhaririwa, na kusaidia ujenzi wa benki za maswali na usahihishaji wa akili.
Uendeshaji wa ripoti za biashara: Hubadilisha ripoti zilizochanganuliwa na fomu za biashara kwa makundi kuwa majedwali yaliyopangwa, na kuyaunganisha na uchanganuzi wa data na michakato ya RPA.