TeleOCR Faoliyat yuritmoqda

TeleOCR — China Telecom’ning Xingchen laboratoriyasi tomonidan ochiq manba sifatida taqdim etilgan hujjatlarni tahlil qilish modeli. U taxminan 1.2B parametrli yengil ko‘rish-til arxitekturasiga ega bo‘lib, raqamli hujjatlar va kamera orqali olingan hujjatlarni yagona tizimda qayta ishlaydi, matn, maket, jadvallar, formulalar va ilmiy grafiklarni Markdown, JSON kabi tuzilgan natijalarga aylantiradi. TeleOCR OmniDocBench v1.6 reytingida birinchi o‘rinni egalladi, PureDocBench reytingida g‘olib bo‘ldi va ICDAR-2026 ilmiy grafiklarni tahlil qilish tanlovida chempionlikni qo‘lga kiritdi. U mahalliy GPU orqali joylashtirishni qo‘llab-quvvatlaydi hamda shartnomalar, ilmiy maqolalar va arxivlardan tuzilgan ma’lumotlarni ajratib olish uchun mos.

Matnni tanib olish: hujjatlardagi matnlarni yuqori aniqlikda ajratib oladi, raqamli hujjatlarni tanib olish aniqligi 97.22 ga yetadi.
Maketni tahlil qilish: matn, jadvallar va formulalar kabi elementlarning sahifadagi joylashuvi hamda ierarxik munosabatlarini aniqlaydi.
Jadvallarni tahlil qilish: qatorlar va ustunlar bo‘ylab cho‘zilgan, kataklari birlashtirilgan murakkab jadvallar tuzilmasini aniq tiklaydi, TEDS 97.05 ga yetadi.
Formulalarni tahlil qilish: formulalarning semantikasi va sintaksisini tuzilmaviy tarzda tahlil qilib, belgilar darajasida aniq tiklashni ta’minlaydi, CDM 96.36 ga yetadi.
Ilmiy grafiklarni tahlil qilish: grafik elementlarini taniydi va ma’lumotlarni ajratib oladi, maqolalardagi ustunli grafiklarni tuzilgan jadvallarga aylantira oladi (ICDAR-2026 chempionlik qobiliyati).
Kamera orqali olingan hujjatlarni qayta ishlash: perspektiv buzilish, sahifa bukilishi, soya va xiralik kabi real suratga olish nuqsonlariga ega hujjatlarni alohida deformatsiyani tuzatish modelisiz bevosita qayta ishlaydi.
Tuzilgan chiqish: natijalarni Markdown, JSON, jadval va formula kabi formatlarda yaratadi, bilimlarni qidirish hamda biznes tizimlariga ulashni osonlashtiradi.

WeChat’da kuzatib boring va “开源” so‘ziga javob yuboring, AI ochiq manba loyihalari guruhiga qo‘shiling
Yagona ko‘rish-til arxitekturasi: TeleOCR taxminan 1.2B parametrli yengil ko‘rish-til modelidan foydalanadi. Raqamli hujjatlar va kamera orqali olingan hujjatlar yagona tizimga joylashtirilib, maket va mazmun oxirigacha tahlil qilinadi. Bu an’anaviy “maketni aniqlash → tasvirni tuzatish → tanib olish” ketma-ketligini almashtirib, xatolar to‘planishining oldini oladi.
Geometriyani hisobga oluvchi modellashtirish: notekis sahifa deformatsiyalariga moslashish uchun geometriyani hisobga oluvchi modellashtirish va egrilikka yo‘naltirilgan Douglas-Peucker namunalarini tanlash usuli joriy etilgan. Model hujjat chegaralari va fazoviy tuzilmani bevosita o‘rganadi hamda bukilgan, taxlangan va perspektiv buzilgan sahifalarni to‘g‘ridan-to‘g‘ri qayta ishlay oladi.
Ma’lumotlar muhandisligining yopiq sikli: ma’lumotlar tizimi yaratish, tozalash, baholash va optimallashtirish bosqichlarini qamrab oladi: ko‘p tugunli konsensus ovoz berish orqali ishonchliligi yuqori soxta yorliqlar tanlanadi; geometriyani hisobga oluvchi ma’lumotlar sintezi aylantirish, deformatsiya va bukilish asosida namunalar yaratadi; tasvirdan tasvirga o‘z-o‘zini tekshirish tahlil natijalarini qayta render qilib, ularni taqqoslash orqali xatolarni avtomatik tuzatadi; bosqichma-bosqich tozalash yuqori moslikdagi namunalarni o‘qitish to‘plamiga, katta tafovutli namunalarni esa qiyin misollarni optimallashtirishga yo‘naltiradi va ovoz berish orqali tanlashdan modelning o‘z-o‘zini o‘qitishigacha bo‘lgan yopiq siklni hosil qiladi.
To‘rt bosqichli bosqichma-bosqich o‘qitish: o‘qitish “ko‘rish va tilni moslashtirish → geometriyani hisobga oluvchi hujjat tahlili → mazmun va tuzilmani ajratib o‘rganish → mustahkamlovchi o‘qitish” ketma-ketligida amalga oshiriladi. Maqsad asosiy idrokdan nozik tushunishga o‘tishdir. Jadval vazifalarida qator va ustunlar tuzilmasini yaxshiroq tushunish uchun Structure-only, so‘ngra birgalikda moslashtirish uchun Structure+Content qo‘llanadi; formulalar vazifasida ham semantika va sintaksis ajratib o‘rganiladi.

Muhitni tayyorlash: Python 3.10+ ni o‘rnating va CUDA’ni qo‘llab-quvvatlaydigan GPU muhiti mavjudligini ta’minlang.
Kodni yuklab olish: git clone https://github.com/caipeng328/TeleOCR.git buyrug‘ini bajaring va katalogga kiring.
Muhit yaratish: conda orqali teleocr nomli virtual muhit yarating va uni faollashtiring.
Bog‘liqliklarni o‘rnatish: loyiha bog‘liqliklarini o‘rnatish uchun pip install -e . buyrug‘ini ishga tushiring.
Modelni yuklab olish: pip install modelscope orqali o‘rnating, so‘ng modelscope buyrug‘i yordamida og‘irliklarni mahalliy ./models/TeleOCR katalogiga yuklab oling.
Kataloglarni tayyorlash: kiruvchi rasmlar katalogi IMAGE_SUB_PATH va natijalarni saqlash katalogi RESULT_SAVE_PATH ni belgilang.
Inferensni ishga tushirish: python infer.py buyrug‘ini bajarib, rasm yo‘li, natija yo‘li, --use_async, --override, model yo‘li va backend parametrlarini kiriting.
Backendni tanlash: odatiy foydalanish uchun vllm-engine, yuqori parallel yuklama ostidagi ommaviy qayta ishlash uchun esa vllm-async-engine ni tanlang.
Maket rejimini sozlash: raqamli hujjatlar uchun LAYOUT_MODE="Detection", bukilgan yoki sifati pasaygan kamera sahifalari uchun esa "Segmentation" rejimini tanlang.
Parametrlarni sozlash: zaruratga ko‘ra MAX_MODEL_LEN (kontekst uzunligi), GPU_MEMORY_UTILIZATION (video xotirasi sarfi), PDF_TOOLS (PDF backend’i) va MAX_PIXELS (bir sahifadagi maksimal piksellar soni) qiymatlarini o‘zgartiring.
Natijalarni olish: chiqish katalogidan tahlil qilingan Markdown/JSON/jadval kabi tuzilgan natijalarni o‘qing va quyi tizimlarga ulang.

Reytingdagi yuqori natijalar: OmniDocBench v1.6 umumiy 96.87 ball bilan birinchi o‘rinni egallab, MinerU2.5-Pro, PaddleOCR-VL-1.6 va OvisOCR2 kabi professional modellardan o‘zib ketgan.
Yengil parametrlar: atigi taxminan 1.2B parametrga ega, mahalliy joylashtirish talablarini kamaytiradi va xususiy muhitlar uchun mos keladi.
Yagona tizim: raqamli hujjatlar va kamera orqali olingan hujjatlar bitta modelda tahlil qilinadi, turli manbadagi hujjatlar uchun bir nechta tizim joylashtirish talab etilmaydi.
Oldindan deformatsiyani tuzatish talab qilinmaydi: geometriyani hisobga oluvchi modellashtirish bukilgan, taxlangan va perspektiv buzilgan sahifalarni bevosita qayta ishlaydi hamda alohida tuzatish modulidagi xatolar to‘planishini kamaytiradi.
Tuzilgan chiqish: Markdown, JSON, jadval va formula kabi hisoblash mumkin bo‘lgan natijalarni to‘g‘ridan-to‘g‘ri chiqaradi, bilimlarni qidirish va biznes avtomatlashtirish tizimlariga ulashni osonlashtiradi.
Murakkab jadvallar bilan ishlash kuchli: qatorlar va ustunlar bo‘ylab cho‘zilgan, kataklari birlashtirilgan murakkab jadvallarda qator-ustun munosabatlari buzilmaydi va joyidan siljimaydi, TEDS 97.05 ga yetadi.
Ilmiy grafiklarni tahlil qilishda chempion: grafik elementlarini tanish va ma’lumotlarni ajratib olish imkoniyatiga ega, ICDAR-2026 ilmiy grafiklarni tahlil qilish chaqirig‘ida chempion bo‘lgan.
Ma’lumotlar sikli samarali: ko‘p tugunli konsensus ovoz berish va o‘z-o‘zini tekshirish mexanizmlari o‘n millionlab namunalarni o‘z ichiga olgan o‘qitish ma’lumotlar havzasini yaratadi, yaratilgan ma’lumotlarning katta qismi inson tomonidan yorliqlashni talab qilmaydi.

GitHub ombori：https://github.com/caipeng328/TeleOCR
HuggingFace modeli：https://www.modelscope.cn/models/XingChen-AGI/TeleOCR
arXiv texnik maqolasi：https://arxiv.org/pdf/2608.12898

Shartnomalar va arxivlarni raqamlashtirish: shartnomalar hamda arxivlardagi qatorlar va ustunlar bo‘ylab cho‘zilgan jadvallar va maket tuzilmasini tahlil qilib, qidirish mumkin bo‘lgan tuzilgan ma’lumotlarga aylantiradi.
Ilmiy maqolalarni tahlil qilish: maqolalardagi formulalar, jadvallar va ustunli grafiklardan ma’lumotlarni ajratib olib, adabiyotlarni tahlil qilish hamda bilim bazalarini yaratishga yordam beradi.
Moliyaviy hujjatlarni qayta ishlash: hisob-fakturalar, shakllar va boshqa kamera orqali olingan hujjatlarni taniydi, perspektiv buzilish va xiralikka chidamli bo‘lib, ma’lumotlarni biznes tizimlariga avtomatik kiritadi.
Ta’lim testlarini kiritish: imtihon varaqlaridagi bosma formulalar va jadvalli savollarni tahrirlanadigan formatga aylantirib, savollar bazasini yaratish va aqlli tekshirishni qo‘llab-quvvatlaydi.
Korxona hisobotlarini avtomatlashtirish: skanerlangan hisobotlar va biznes shakllarini ommaviy tarzda tuzilgan jadvallarga aylantirib, ma’lumotlarni tahlil qilish va RPA jarayonlariga ulaydi.