【CV大模型】太牛了，手写体也能精准识别的OCR神器

Zerox 是一款利用视觉模型实现 PDF 到 Markdown 转换的创新工具。它的工作原理十分巧妙，首先接收一个文件（支持多种格式，如 pdf、docx、图像等），然后将其转换为一系列图像，接着将每个图像传递给 GPT 并请求转换为 Markdown，最后汇总所有响应并返回 Markdown 格式的内容。

Zerox 的核心技术基于 GPT 模型，它将文档页面分割为图片后，利用 GPT 的自然语言处理能力识别图片中的文字内容并转换为文本，最终输出为 Markdown 格式。Zerox 的 GPT OCR 技术在文档格式转换工具中表现出色，特别是在 PDF 转换 Markdown 和 DOCX 转换 Markdown 的过程中。

功能特点

1、完全开源：Zerox 是完全开源的项目，遵循 MIT 许可证。

2、支持多种文件类型：包括 pdf、docx、doc、odt、ott、rtf、txt、html、htm、xml、wps、wpd、xls、xlsx、ods、ots、csv、tsv、ppt、pptx、odp、otp 等。

3、灵活的调用方式：提供 Node 和 Python 两种版本，可通过相应的包进行安装和使用。

4、识别手写体：手写体识别的准确率也是非常高的。

5、可以带格式输出：Zerox 具有保持格式的选项，通过将前一页的输出作为下一页的额外上下文传递，能够以一致的格式返回 Markdown，这对于包含大量表格数据或跨页表格的文档非常有价值，但会使处理速度变慢。

Zerox 可接入以下模型：

gpt-4o-mini 模型：这是 Zerox 常用的模型之一，适合一般的文档转换任务，能够较好地处理各种常见的文档格式和内容，将其准确地转换为 Markdown 格式。

gpt-4o 模型：相比 gpt-4o-mini 模型，gpt-4o 在性能和处理能力上更强大，对于一些较为复杂、内容丰富或格式特殊的文档，使用 gpt-4o 模型能够获得更准确、更优质的转换结果，但可能会消耗更多的资源和时间。

github地址：https://github.com/getomni-ai/zerox

——The  End——

记得点赞、分享，让更多的朋友一起探索这个IT世界的新篇章！

AIGC周边正在发布，关注生活，冻龄青春

推荐阅读

【大模型】 浅试OpenAI免费开源通用语音识别模型 Whisper(语音识别模型)

【大模型】给大模型制作图文并茂的教科书: 从2.5年的教学视频里挖掘多模态语料

【NAS】Docker 配置Macvlan网络模式，实现单个容器限速与管控

【RAG】Rerank模型，让大模型 RAG 更近一步

【云部署】Win11+WSL2+Ubuntu+Docker-Desktop 支持GPU的深度学习环境搭建

【NAS】NAS用户必备应用，170+ 好玩的docker容器应用，好用docker新年汇总

【大模型】手把手教你在本地部署DeepSeek R1，并集成到Dify中

【Docker】Play with Docker 在线实验室 使用教程

【大模型】大模型在金融领域的综述

【3D打印】新手入门「必打」模型推荐

【LLM大模型】漫画大模型简史