产品库

利用大型语言模型增强扫描PDF的OCR输出。

llm_aided_ocr是一个高级系统，旨在显著提高光学字符识别（OCR）输出的质量。通过利用尖端的自然语言处理技术和大型语言模型（LLMs），该项目将原始OCR文本转化为高度准确、格式良好、易读的文档。

通过统一的端到端模型实现OCR-2.0

GOT-OCR2.0是一个开源的OCR模型，旨在通过一个统一的端到端模型推动光学字符识别技术向OCR-2.0迈进。该模型支持多种OCR任务，包括但不限于普通文本识别、格式化文本识别、细粒度OCR、多裁剪OCR和多页OCR。它基于最新的深度学习技术，能够处理复杂的文本识别场景，并且具有较高的准确率和效率。

先进的文档智能AI模型，开源易用。

Datalab 的 AI For Document Intelligence 是一系列用于文档智能处理的AI模型，包括OCR、布局分析、PDF转Markdown等。这些模型代表了文档处理技术的最新发展，易于使用，并且是开源的，可以广泛应用于提高文档处理的效率和准确性。

高效CPU本地离线LaTeX识别工具

MixTeX是一个创新的多模态LaTeX识别小程序，由团队独立开发，能够在本地离线环境中执行高效的基于CPU的推理。无论是LaTeX公式、表格还是混合文本，MixTeX都能轻松识别，支持中英文处理。得益于强大的技术支持和优化设计，MixTeX无需GPU资源即可高效运行，适合任何Windows电脑，极大地方便了用户体验。

一站式数据处理系统，为大型语言模型提供高质量数据。

Data-Juicer 是一个一站式的多模态数据处理系统，旨在为大型语言模型(LLMs)提供更高质量、更丰富、更易消化的数据。它提供了一个系统化和可复用的数据处理库，支持数据与模型的协同开发，通过沙盒实验室实现快速迭代，并提供基于数据和模型的反馈循环、可视化和多维度自动评估等功能，帮助用户更好地理解和改进他们的数据和模型。Data-Juicer 正在积极更新和维护，定期增强和添加更多功能、数据配方和数据集。

高性能多模态语言模型，适用于图像和视频理解。

MiniCPM-V 2.6是一个基于8亿参数的多模态大型语言模型，它在单图像理解、多图像理解和视频理解等多个领域展现出领先性能。该模型在OpenCompass等多个流行基准测试中取得了平均65.2分的高分，超越了广泛使用的专有模型。它还具备强大的OCR能力，支持多语言，并在效率上表现出色，能够在iPad等终端设备上实现实时视频理解。

由实践者主导的LLMs公开课

Mastering LLMs 是一个由25多位行业资深人士主讲的免费课程，涵盖了评估、检索增强生成（RAG）、微调等主题。课程内容由信息检索、机器学习、推荐系统、MLOps和数据科学等领域的专家提供，旨在将这些领域的先前技术应用于LLMs，为用户提供有意义的优势。课程面向需要指导如何改进AI产品的技术IC（包括工程师和数据科学家）。

一种简单直观的PDF OCR工具，使用gpt-4o-mini进行文档转换。

Zerox OCR是一个基于gpt-4o-mini的PDF文档转换工具，它通过将PDF文件转换为图像，然后利用GPT模型将图像内容转换为Markdown格式，从而实现对文档的高效OCR处理。该工具在价格上具有竞争力，并且能够提供比现有产品更有意义的结果。

轻量级、快速、无广告的文档扫描应用

ScanIt是一款专为iPhone和iPad设计的文档扫描应用，以其轻量级、快速、无广告的特点，为用户提供了一种简单高效的文档数字化解决方案。它拥有智能文档识别、曲面调整和文本提取(OCR)等专业功能，支持多种格式导出，并能安全加密文档，满足不同用户对扫描效率和安全性的需求。

快速、多语言支持的OCR工具包

RapidOCR是一个基于ONNXRuntime、OpenVINO和PaddlePaddle的OCR多语言工具包。它将PaddleOCR模型转换为ONNX格式，支持Python/C++/Java/C#等多平台部署，具有快速、轻量级、智能的特点，并解决了PaddleOCR内存泄露的问题。

快速转换和翻译扫描文档

DocuTranslate 是一款专注于文档转换和翻译的在线服务。它利用先进的光学字符识别（OCR）技术和翻译技术，能够快速将扫描的文档转换为Word格式，并提供准确的翻译。用户可以通过上传文档、选择目标语言并确认使用信用点数，几秒钟内即可收到翻译后的文档，方便进一步编辑。该服务支持26种语言，适用于翻译人员和需要高效文档处理的专业人士。

轻量级OCR模型，推理速度快

OnnxOCR是基于PaddleOCR重构的轻量级OCR模型，它脱离了PaddlePaddle深度学习训练框架，实现了快速的推理速度。该模型支持超过80种语言的推理，并在转换为ONNX模型后，推理速度比使用PaddlePaddle框架快5倍。OnnxOCR独立于深度学习训练框架，可以直接部署，适用于计算能力有限但需要保持准确性的场景，并且可以在ARM和x86架构的计算机上部署。

高质量PDF内容提取的综合工具包

PDF-Extract-Kit是一个专门用于提取PDF文件中高质量内容的工具包。它通过多个组件实现对PDF文档的深度解析，包括版面检测、公式检测、公式识别和光学字符识别（OCR）。该工具包使用先进的模型如LayoutLMv3、YOLOv8、UniMERNet和PaddleOCR，以适应各种类型的PDF文档，并在版面和公式检测方面具有高精度。它还特别针对扫描模糊或带有水印的文档进行了优化，以确保在复杂情况下也能提供准确的提取结果。

自动翻译漫画的桌面应用

Comic Translate 是一个桌面应用程序，旨在自动翻译各种格式的漫画，包括BD、Manga、Manhwa、Fumetti等，支持多种语言。它利用了GPT-4的强大翻译能力，特别适用于翻译那些其他翻译器难以准确翻译的语言对，如韩语、日语到英语的翻译。该应用支持多种文件格式，如图像、PDF、Epub、cbr、cbz等，为用户提供了一种便捷的方式来享受不同语言的漫画内容。

Python封装的Doc2X API，增强PDF处理。

pdfdeal是一个Python封装的Doc2X API工具，它提供了本地PDF处理功能，旨在提高PDF在RAG中的召回率。该工具支持多种输出格式，包括文本、Markdown、PDF等，并且可以自定义OCR语言和使用GPU加速。它还支持Doc2X，该服务每日有500页的免费使用额度，特别擅长表格和公式的识别。

低代码构建多Agent大模型应用的开发工具

LazyLLM是一个致力于简化人工智能应用构建流程的开发工具，它通过提供低代码的解决方案，使得开发者即使不了解大模型也能轻松组装包含多个Agent的AI应用。LazyLLM支持一键部署所有模块，跨平台兼容，自动进行网格搜索参数优化，以及高效的模型微调，从而提升应用效果。

一站式数据解析平台，优化数据与通用人工智能框架的兼容性。

OmniParse是一个数据解析平台，能够将各种非结构化数据转换为结构化、可操作的数据，特别适用于通用人工智能（GenAI）应用。它支持文档、表格、图片、视频、音频文件和网页等数据类型，通过提供清洁、结构化的数据，为人工智能应用如RAG、微调等做好准备。

ComfyUI的节点，能够根据用户指令生成任何类型的输出。

AnyNode是一个为ComfyUI设计的插件，它利用LLMs（大型语言模型）的能力，根据用户的输入生成所需的输出。它支持使用OpenAI API或本地LLMs API，允许用户通过简单的配置和指令，实现复杂的编程任务，无需编写代码。该插件的主要优点包括易用性、灵活性和强大的功能，能够显著提高开发效率，尤其适合需要快速原型开发和自动化任务的开发者。

端侧可用的GPT-4V级多模态大模型

MiniCPM-Llama3-V 2.5 是 OpenBMB 项目中最新发布的端侧多模态大模型，具备8B参数量，支持超过30种语言的多模态交互，并在多模态综合性能上超越了多个商用闭源模型。该模型通过模型量化、CPU、NPU、编译优化等技术实现了高效的终端设备部署，具有优秀的OCR能力、可信行为以及多语言支持等特点。

Gemini Recognize和注释代码截图的OCR工具

Pic2Code是由Gemini Recognize提供支持的代码截图OCR工具。它可以识别和注释从视频或文章中粘贴的代码截图。通过使用Pic2Code，用户可以省去手动敲代码的步骤，提高工作效率。

使用所有最新的llms订阅一项服务。

AllNewModels是一个网站，提供了许多最新的llms模型。该网站的主要优点是用户可以在一个订阅中使用所有最新的llms模型。它为用户提供了更多选择和灵活性，无需单独购买和使用不同的模型。AllNewModels的定位是为专业人士提供的。

用我们的OCR词典和其他语言学习工具，轻松学习日语

Gengo是一款集成OCR词典和工具的漫画和轻小说阅读器，专为有效学习日语而设计。该项目在AJATT和其他沉浸式语言学习方法以及缺乏坚实跨平台替代品的“Kaku”安卓应用的启发下诞生。

开源的基于深度文档理解的RAG（检索增强生成）引擎

RAGFlow是一个开源的RAG（Retrieval-Augmented Generation）引擎，基于深度文档理解，提供流线型的RAG工作流程，适用于各种规模的企业。它结合了大型语言模型（LLM）提供真实的问答能力，支持从各种复杂格式数据中引用确凿的引文。

将手写笔记、表格、文件等转换为数字文本，使用我们基于人工智能的OCR引擎，无与伦比的准确性。

手写文字转换为文本的最准确工具，采用人工智能技术，能够将各种难以辨认的手写文字转换为数字文本，大大节省了编辑时间，提高了工作效率。产品的主要优点是准确性高、速度快，可适用于各种手写文本的转换需求。价格灵活，可按页收费或订阅。

在线图片转文字

Picture to Text是一款在线图片文字识别工具，能够批量提取和复制图片中的文字内容。它免费转换照片为可编辑的文字。

手写识别AI助手

Pen2txt是一款利用OCR和人工智能进行手写文本识别的产品。它可以将手写笔记转换为可编辑、可搜索的数字文本，适用于学生、专业人士以及任何需要将纸质文件转换为数字形式的人群。Pen2txt凭借准确、可搜索和可编辑的结果，提高了工作效率。

快速将图片中的文字转换为可编辑文本

2txt是一个在线OCR工具，能够将图片中的文字内容快速识别并转换成可编辑的文本格式。它支持多种语言的识别，并且操作简单，用户只需上传图片即可获得结果。该工具不存储用户上传的图片，保证了用户数据的隐私安全。

使你的图像具有可搜索性

Searchable是一款让图像具有可搜索性的工具。它的主要功能是通过OCR技术从图像中提取文本信息,并建立索引,使用户可以根据图像内容进行文本搜索和语义搜索。该产品的优势在于支持多种语言OCR、可自定义搜索范围等。它面向设计师、开发者等有图像搜索需求的用户群体,提供免费试用和付费服务。

一键翻译各类图片内文字

该项目可以将漫画/图片中的文字进行翻译,主要功能包括文本检测、光学字符识别(OCR)、机器翻译和图像修补。它支持多种语言如日语、中文、英语和韩语等,可实现近乎完美的翻译效果。该项目主要面向漫画爱好者和图像处理工作者,可以方便地阅读外语漫画或进行图像的多语言处理。此外,它还提供Web服务、在线演示和命令行工具等多种使用方式,具有良好的可用性。该项目代码开源,欢迎大家一起完善和贡献。

使用LLMs和计算机视觉自动化基于浏览器的工作流程

Skyvern是一个自动化工具，它结合了大型语言模型（LLMs）和计算机视觉技术，用于自动化基于浏览器的工作流程。它提供了一个简单的API端点，可以完全自动化手动工作流程，替代易碎或不可靠的自动化解决方案。