研究與評測
OpenRouter 實測 15+ 視覺模型與 Mistral OCR:Claude Opus 5.5 準確率最高,Mistral OCR 性價比最佳
OpenRouter單一來源
核實資料不足
目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。
本次未取得足夠原文證據

OpenRouter 以八張由已知文字渲染並加上旋轉、模糊、雜訊與 JPEG 壓縮的測試頁,比較 15 個視覺模型、Mistral OCR 與本地 Tesseract 5.5 的關鍵值正確率。關鍵值共 88 組(每頁 10 至 15 組,如金額、日期、卡號、序號),每組在三次執行中都需完全正確,每模型共 264 次檢查。準確率最高的是 anthropic/claude-opus-5.5,264 項中答對 262 項,每千頁費用 16.42 美元,整體字元錯誤率 0.02%。性價比最佳的是 mistral-ocr(PDF 引擎),答對 258 項,每千頁 2.02 美元。最便宜且結果尚可的是 inclusionai/ling-3.0-flash-vl(關閉推理),答對 254 項,每千頁 0.04 美元。
最需留意的是「看似合理但原文不存在」的錯誤。在一張模糊熱感收據上,GPT-6 Luna 三次執行都改寫了店員名與年份,GPT-6.1 Sol 則每次編出不同的無線網路密碼;兩者都沒有在錯誤率中顯現,因此需針對實際會用到的欄位逐一核對。另外,要求模型以 [?] 標示不確定時,七個模型中有四個從未使用該標記。
測試亦發現,關閉推理功能可使五個受測模型中的四個變快、變便宜,且未遺失關鍵值。以不同實驗室的兩個低價模型交叉比對、標記意見分歧的字詞,可抓出 35 個錯字中的 34 個,每千頁成本 0.62 美元。報告強調此結果僅供參考,實際選型仍應以自家掃描文件測試。
讀原始報導背景
Tesseract 是一款開源的光學字元辨識(OCR)引擎,採 Apache 授權釋出,最早由 Hewlett-Packard 於 1980 年代以專有軟體開發,2005 年開源,2006 年起由 Google 贊助開發。搜尋結果指出,傳統 OCR 的限制在於遇到摺痕或模糊時難以處理,而視覺語言模型(VLM)可以根據上下文推斷藥名與劑量等內容。