OCR 文字识别

GenOffice 是 Genspark 开源的 AI 原生办公套件，支持 macOS 与 Windows，由五个 Electron 应用共享一套引擎层，覆盖 .docx 文字处理、.xlsx 电子表格、演示文稿与 PDF。其 Docs 采用字节级保真往返，仅重新生成被编辑的段落，其余内容按原字节保留，避免在 Word 中打开保存时破坏排版，并支持分页视图、修订、批注、样式、公式与墨迹。

Microsoft PowerToys 是微软官方推出的免费开源 Windows 实用工具集合，包含 30 多个组件，面向高级用户与开发者优化日常操作。其中高级粘贴（Advanced Paste）可把剪贴板内容转为纯文本、Markdown、JSON 及 txt/html/png 等格式，支持本地 OCR 从图片提取文字、把音视频转码为 mp3/mp4，并可选启用需配置模型提供方的 AI 粘贴功能；另有命令面板、FancyZones 窗口布局、取色器等工具。

Gemini 4 Argon 是 Google DeepMind 推出的旗舰多模态 AI 模型，面向软件工程、金融、法律与网络安全等领域的长周期复杂任务。它具备跨学科推理、代码编写与多步骤任务持续能力，可自主发现、验证并修补关键软件漏洞，在提示注入防护上为迄今最强。模型支持最长达约一百万词元的输出与超长上下文，并具备视频等多模态理解能力。目前谷歌先向受信任的网络安全合作伙伴小范围开放，完成更多测试后将优先面向付费订阅用户扩大开放。

Mistral AI 是法国前沿 AI 公司，提供自研大语言模型、面向长周期任务的 AI 智能体与企业级 AI 平台，支持企业知识搜索、结构化数据分析、文档与报告合成、异步代码生成、自动化 CI/CD，以及自定义模型训练与蒸馏，可在自托管环境、Mistral 云或第三方云上部署。

Screenpipe 是一个开源、本地优先的 AI 记忆层工具，24/7 捕获用户屏幕、音频和操作行为，将真实工作转化为可搜索记忆、SOP、会议跟进、每日总结和个人 CRM，并支持生成 AI 智能体。用户可控制录制范围、排除特定应用和窗口、自主选择数据存储位置，确保隐私安全。企业可跨机器映射重复工作流，保留流程知识并暴露瓶颈。GitHub 获 20K+ 星标、130+ 贡献者，由 YC S26 支持。

SGLang 是由非营利开源组织 LMSYS 托管的大语言模型与多模态模型高性能推理服务框架，面向生产级部署设计，可在单卡到大规模分布式集群之间提供低延迟、高吞吐的推理服务，目前支撑全球超过 40 万块 GPU 上的大规模生产部署，每天生成数万亿 token。

Alibaba Cloud ID Verification 是阿里云面向注册、登录与敏感交易环节的身份核验服务，通过证件文字提取与人脸识别核验用户真实性，可快速训练识别一百多个国家和地区的身份证件，秒级完成实名认证。服务以 eKYC 方式提供，支持 SDK、HTML5 与 API 等集成方式，并具备超过 99% 的攻击拦截率，可阻断面具、打印件、合成图像与篡改等仿冒攻击。

Cohere Parse（parse-v5.0）是一个 2.3B 参数的视觉语言文档解析模型，基于 North-Micro-Vision-Instruct 架构，具 8,192 token 上下文。它接收文档页面，输出按阅读顺序排列的文本、HTML 表格、列表、表单键值对、图像描述与边界框坐标，支持 blocks 模式做引用级溯源，无需前置 OCR，适合企业 RAG 摄取与智能文档处理。

jina-ocr-v1 是 Jina AI 的端到端视觉文档解析模型，总参数约 3.4B、每 token 激活约 570M，基于 DeepSeek-OCR 后训练，可将 PDF、扫描件、表格、发票一次转写为 Markdown。内置 FastMTP 投机解码头，在 L4 等低预算 GPU 上近两倍无损加速；支持 Transformers/vLLM 本地运行，也可通过 OpenAI 兼容 API 调用，权重为 CC BY-NC 4.0 许可。

LFM2.5-VL-3B 是 Liquid AI 面向端侧部署的视觉语言模型，以 LFM2.5-2.6B 为语言骨干并搭配 SigLIP2 NaFlex 400M 视觉编码器，支持 32768 token 上下文与 16 种语言。可处理文本与图像输入，具备整页 OCR 带版面标注、自然语言指代的目标定位与检测、多图推理、屏幕 UI 理解与函数调用能力，并提供 GGUF、ONNX、MLX 量化版本用于 CPU、移动与 Apple Silicon 推理。

Microsoft Foundry（原 Azure AI Studio）是微软的统一 AI 平台，集成 Foundry Models、Agent Service、Foundry IQ 等能力，支持开发者构建、部署和扩展 AI 应用与多智能体工作流，并提供企业级安全、治理与可观测性，可接入 Azure 应用服务、Fabric、SharePoint 等微软生态及第三方框架。

Omarchy 是 DHH 打造的 Linux 发行版，主打快速安装、由智能体自动排查系统问题以及开箱即用的美观默认配置。系统内置终端、Neovim、AI 与开发工具链，并提供文字提取与听写、截图录制、Windows 虚拟机等能力，用户可在优质基线之上自由改造，把操作系统本身也变成可被智能体和代码调整的对象。

Qwen-MM-Plugins 是通义千问推出的原生多模态插件集合，把图像、视频、文档与 3D 模型的读取理解、OCR、目标定位、分割、语音识别、视觉对话与联网搜索打包为 skill 加 MCP 服务器，并提供长视频图记忆、视频剪辑与图像/视频/音频生成、Blender 三维建模、FreeCAD 参数化 CAD 及教学讲解视频生成等能力，可安装到 Claude Code、Codex、Qwen Code、Gemini CLI 等智能体框架。

Reducto 是面向 AI 团队的文档解析与结构化平台，通过 Parse、Extract、Split、Edit 等 API 把 PDF、图片、表格、幻灯片等文件转为结构化数据。它结合 OCR 与视觉语言模型识别版面、表格、图表与手写内容，保留边界框与格式，并输出可用于下游 LLM 工作流的分块与引用信息，支持 100 多种语言的多语混排文档。

Trancy Air 是面向 macOS 与 Windows 的快捷键驱动翻译工具，可在任意应用内选中文本即时翻译，支持单词卡片、音标释义、语法分析与多引擎译文对比；用母语输入后一键原地替换为目标语言，并检查语法拼写；按住快捷键说话即可语音转文字并翻译，还提供截图取词翻译、生词句子收藏与朗读发音评分。

UPDF 是 Superace Software 开发的跨平台一体化 PDF 编辑器，支持直接编辑文本、图片、链接、表格、表单、水印，无需重建源文件。可将 PDF 转换为 Word、Excel、PowerPoint、HTML 等 14 种格式及反向创建，提供 38 种语言、准确率最高 99% 的 OCR。内置 AI 助手支持摘要、翻译、与 PDF 对话及 10 余个智能体（语义搜索、自动书签、研究/金融/法律分析）。

百度智能云是百度旗下的全栈AI云平台，提供从算力底座（百舸AI计算平台、天池超节点）、大模型服务（千帆大模型平台、文心系列模型）到Agent开发与应用的全栈能力。平台支持企业构建数字员工、视觉智能体、深度研究助手等AI应用，并提供AI安全护栏、内容审核、数据分析等企业级服务。在WAIC 2026上展出的天池256超节点支持256卡互联，推理效率提升50%。

Mistral OCR 是 Mistral AI 官方推出的 OCR 文字识别服务，驱动其 Document AI 文档处理栈，提供原生段落级边界框提取、结构化块标签与块级置信度分数，可通过 /v1/ocr API 调用并支持批处理与结构化注解。4.1 版本于 2026 年 7 月进入公开预览。

Nanonets 是面向企业的 AI 数据处理平台，核心能力是基于深度学习的 OCR-3 模型从发票、采购订单、提单等非结构化业务文档中提取结构化数据。平台通过上下文图连接文档、系统和规则，实现端到端的财务、运营和医疗流程自动化，支持人工审核低置信度结果，并直接交付到 ERP、CRM 或数据库。提供 SSO、审计日志、私有部署和数据驻留等企业级管控能力。

OCR It 是 Firecrawl 团队开源的 Chrome/Firefox 插件，用于把被锁在阅读器里无法选择文字的文档（扫描书、幻灯片、PDF）快速提取为纯文本/Markdown。用户框选一次区域后，每按快捷键即截图并 OCR 追加转录文本，或开启自动运行持续翻页；OCR 通过内置 Tesseract 100% 离线运行，无 API Key、无联网、图片不出本机，支持编辑单页及导出 txt。其 20ms 处理比 Docling 快近 300 倍，但对表格、公式混排的复杂页面仍有局限。

RAG.NextUpgrad 是一个代码公开的生产级检索增强生成（RAG）服务，支持上传 PDF、Word、HTML、纯文本或直接输入 URL，用自然语言对文档提问，并获得带原文出处引用的逐字流式回答。它融合稠密向量与 BM25 关键词检索、交叉编码器重排、置信度门控拒答、多供应商故障回退、扫描件 OCR 与提示注入防护，提供 FAISS、Qdrant、pgvector 三种可切换向量库后端，内存占用约 220MB，可在免费云实例运行。

ZDTaichu5.0-9B 是紫东太初（Taichu-AI）团队开源的90亿参数多模态基座模型，采用 Qwen3.5-9B 语言骨干与 C-RADIOv4-H 视觉编码器，支持文本、单图/多图与视频的任意分辨率输入，上下文最长128K。模型在保持图像、文档、图表、OCR、视觉数学等通用视觉能力第一梯队的同时，强化细粒度2D关系、多视角关联、三维场景理解与具身VLA规划，支持多步多轮智能体工具调用，并内置熵门控自适应循环推理，已开放权重与工业级数据生产管线，面向具身智能科研与制造场景。