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。
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。
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。
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。
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。
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。
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。
© 2024 AIbase 备案号:闽ICP备08105208号-14