DataFun：2025年大模型驱动下的知识图谱应用解析：实践与案例

OCR-PIPELINE 方案具有以下优点：其一，能够获取 bounding box 信息、版 式标签信息等，并进行相应处理；其二，模块灵活，可单独做优化；其三，支持 CPU 离线部署，对于垂直场景可研发版式分析的轻量模型；其四，支持扫描版 文档。 然而，该方案也存在缺点：OCR 链路依赖于场景数据，现在大部分是采用目标 检测的方案去做版式划分，导致泛化性较差；另外，精度不高，在版式分析、表 格解析、段落合并等环节均有改进空间；第三，CPU 环境下速度较慢，涉及模 块众多，整体速度较慢。 OCR-FREE 方案利用近期开源的 OCR 大模型 olmOCR 和 mistral ORC 等， 端到端地解析出 markdown 格式，为模型做预加工。尽管模型官方宣称效果很 好，但实际测试结果显示欠佳。