🧠 Как выбрать OCR-модель: гид от Hugging Face
Современные OCR-модели на основе VLM превращают документы в структурированный текст с учётом макета, таблиц и формул.
Модели вроде OlmOCR, PaddleOCR-VL и DeepSeek-OCR поддерживают многоязычность, разные форматы вывода (Markdown, JSON, HTML) и понимают сложные элементы — диаграммы, формулы, подписи к изображениям. Ключевое преимущество открытых моделей — контроль, приватность и низкая стоимость при масштабировании. Некоторые, как Granite-Docling, работают по промтам, позволяя задавать точные задачи.
Для оценки используются бенчмарки: OmniDocBenchmark — универсальный, OlmOCR-Bench — для английского, CC-OCR — мультиязычный. Лучше тестировать модели на своих данных. Запускать можно локально (vLLM, MLX) или в облаке через Hugging Face Inference Endpoints и Jobs.
