openocr-skill

OpenOCR Skill 是一款集成开源 OpenOCR 库的通用 OCR 技能，提供文本检测、识别、端到端 OCR、基于 VLM 的通用识别（公式/表格/文本）以及文档版面分析五大核心能力。该技能采用模块化设计，用户可根据场景选择 mobile（快速）或 server（精准）模式，并支持 ONNX（默认）与 PyTorch 双后端。核心优势在于其轻量级 VLM（仅 0.1B 参数）实现的通用识别能力，可输出 LaTeX 格式的数学公式与表格，且文档解析功能能自动生成结构化 Markdown。局限性方面，手写体识别准确率波动较大，复杂旋转文本处理能力有限，server 模式依赖 PyTorch 环境且速度较慢；PDF 处理需逐页转图，大文件内存占用较高。适合学术研究者处理论文公式、财务人员提取表格数据、开发者构建文档数字化流水线，以及需要多语言（中英为主）OCR 的通用场景。常规风险包括：处理敏感文档时可能产生隐私泄露，GPU 环境配置不当导致推理失败，以及自动下载模型时的网络与完整性校验问题。