OCR 是什么：把图片文字转成文本，版面关系仍要检查
解释光学字符识别的输出和限制，区分行文字、表格解析与视觉语言模型，并说明小字与阅读顺序怎样核对。
先理解这个概念
OCR 是光学字符识别，用来把图片或扫描件中的文字转换成可处理文本。输出可能包含行与坐标，但不自动等于表格关系和阅读顺序都正确。视觉语言模型也可参与文字识别，其实现与传统 OCR 流程不同，不能仅用“多模态 OCR”就推断更准确。应按原图逐项核对，尤其是数字、专名及跨栏内容。
识别字符与重建文档含义不同
Microsoft 的文字识别提供可提取文本和位置，OpenAI 的视觉能力说明则列出小字及空间关系等限制。传统识别可围绕文字区域处理，视觉模型可以结合画面，却也可能生成看似合理的错误。编号只差一位可能指向不同对象，表头丢失则让数字无法解释。应保留原始图像与识别结果对应，不把可编辑文字当作已经无须核对的新原件。识别出的标点与换行也需要按后续用途判断，不能随意合并后再引用原文。
同一页面对照数字与阅读顺序
例如用公开双栏页面，人工确认一行文字及其相邻说明，检查输出是否把两栏串错。表格再核对数值所属行与单位，而非只确认数字出现。模糊或遮挡处应标记无法读取，不让模型补出未经确认字符。本文没有运行 OCR 或上传图片，例子只是验收设计。处理前后保存相同裁切范围，避免一条流程有表头、另一条没有时仍称同条件比较；压缩导致小字丢失，应先修输入质量。
识别链更新后保留原图便于复查
工具或文档格式变化后重跑原来的小字和跨栏难例，记录识别版本与人工修正。若后续要总结或抽取字段，应先处理影响意思的错误，避免它们被放大到新结论。成本包括校字和结构整理，不是只看每页识别价格。简单清楚文字可以从可定位的 OCR 基线开始，复杂图表再评估额外视觉处理。最终按任务所需准确性验收，不能因为整页大致可读就忽略关键金额或姓名的错误。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。