文档 OCR 认对了字却读乱了顺序，indra 这类工具怎么选？

先确认本地运行需要哪些文件

项目依赖 ONNX Runtime、OpenCV 和 pypdfium2，不要求 PyTorch 或 GPU。README 列出的已测环境包括 Linux 与 Apple silicon macOS；其他设备应自行验证。首次运行会下载约 76 MB 的默认模型，之后使用缓存；离线处理前需要准备模型文件，并通过 --model-dir 指向本地目录。

以下命令沿用官方安装与 CLI 用法，并限制为前两页、四个 CPU 核，便于小范围试用。安装后先记录 --version 的输出，因为软件包版本可能与 GitHub main 不同。执行示例会真实读取 sample.pdf 并产生结果文件；本文没有执行这些命令，样本文件需由使用者自行准备。

python3 -m pip install indra-ocr
indra-ocr --version
indra-ocr sample.pdf --max-pages 2 --cores 4 --format json --out results/ --timings

不要把文本层提取误当识别结果

auto 模式会混合使用 PDF 文本层与 OCR，--mode ocr 则忽略文本层，重新识别每页。比较工具时要记录实际采用的模式，否则可复制文字的 PDF 与纯扫描件会得到不同处理。需要专门测试 OCR 时，可对同一份样本追加 --mode ocr，另存结果再比较。

CLI 的 JSON 输出会写成每页一个对象的 JSONL 文件，source 字段标明实际处理方式。把它与原始 PDF 是否带有文本层一起记录，才方便解释结果差异。输出顺序正确，也不能反推所有字词都正确，需要另外抽查原图中的关键数字和专有名词。

用分栏样本对照段落阅读顺序

准备一页常见的双栏扫描件。人工给标题和正文段落标序号，再把图注、脚注标在各自的位置。对照 JSON 中 blocks 的顺序，查看左栏是否接到了右栏的中间，或页脚是否插入正文。保留这份人工参照，后续升级模型时可以重复检查同一页。

再用输出完成一次实际任务，例如查找某条款的条件，并回到原图确认条件与结论仍属同一段。若后续要交给模型摘要，顺序错误可能被改写成一段通顺但含义错误的文字。这里提出的是验证方法，不能作为 Indra 已经通过该样本的证明。

复杂表格和手写材料另做判断

原仓库明确把复杂表格和退化扫描件列为限制。跨行合并单元格、没有边框的表格，可能出现行列错配；手写页也不能照搬印刷体的表现。中文或日文竖排还有跨版面文章顺序问题，数学转 LaTeX 需要另开 --math，且会增加处理时间。

代码采用 Apache 2.0，模型权重使用修改后的 OpenRAIL-M，不能把两者视为同一许可。README 写有研究、个人及融资或收入低于 2,000 万美元创业公司的免费范围，并限制与其 API 竞争的用途；正式使用前应读取完整权重许可。本文没有核验任何商业授权资格。