Превращение отсканированных документов в надежный, машиночитаемый текст — это задача, которая кажется простой только на первый взгляд. Классические движки оптического распознавания символов (OCR), такие как Tesseract, десятилетиями были стандартом индустрии. Однако они часто терпят крах при работе с выцветшим шрифтом, рукописными заметками или старыми факсами. С другой стороны, современные модели компьютерного зрения (Vision Models), питаемые большими языковыми моделями (LLM), способны «прочитать» эти сложные страницы с поразительной точностью. Но у них есть свой скрытый недостаток: они склонны «додумывать» значения, которых нет на странице, создавая правдоподобные, но ложные данные.
В этом подробном разборе мы не просто перечислим названия моделей. Мы проанализируем результаты масштабного тестирования, проведенного на платформе OpenRouter, чтобы определить, какая модель является абсолютным лидером по точности, а какая предлагает лучшее соотношение цены и качества. Мы разберем технические нюансы, покажем, как правильно настраивать промпты, отключать функции рассуждения (reasoning) для экономии ресурсов и использовать методы перекрестной проверки для выявления ошибок. Если вы строите пайплайн обработки документов, этот материал станет вашим основным руководством.
01Как проводилось тестирование: методология и условия
Чтобы получить объективную картину, исследователи создали восемь тестовых страниц, используя заранее известный текст. Это позволило провести посимвольную проверку каждого распознанного знака. Каждая страница была искусственно деградирована, чтобы имитировать реальные условия сканирования: добавлялся небольшой поворот, размытие, цифровой шум и сжатие JPEG. Тестовый набор был разделен на две категории: «обычные» и «сложные» документы.
Пять «обычных» страниц включали в себя чек, письмо с двумя намеренными опечатками, форму с отмеченным чекбоксом, двухколоночный новостной бюллетень и аккуратную рукописную заметку. Три «сложные» страницы были созданы специально для того, чтобы сломать стандартные алгоритмы: выцветший термальный чек, быстрый и тесный почерк, а также факс низкого разрешения с 12 серийными номерами, состоящими из похожих символов (0/O, 1/I/L, 5/S, 8/B). В таких случаях модель не может полагаться на контекст, так как любой выбор может быть верным.
Оценка проводилась по двум ключевым метрикам. Во-первых, это CER (Character Error Rate) — коэффициент ошибок символов, вычисляемый как расстояние редактирования до истинного текста, деленное на его длину. Во-вторых, и это более важно для бизнес-задач, проверялись 88 «ключевых значений» (key values) — строк, которые критичны для обработки данных: суммы, даты, цифры карт, серийные номера и те самые намеренные опечатки. Каждое значение должно было быть найдено точно в трех запусках модели, что дало 264 проверки на каждую модель. Стоимость рассчитывалась на основе фактического потребления токенов через API.
02Рейтинг точности: Кто лучший на выцветших сканах?
Результаты тестирования выявили явного лидера по точности. Модель anthropic/claude-opus-5.5 показала невероятный результат, правильно распознав 262 из 264 ключевых значений. Ее общая ошибка символов (CER) составила всего 0.02% на всех страницах и 0.06% на самых сложных. Однако за эту точность приходится платить: стоимость составляет $16.42 за 1000 страниц. Это решение подходит для задач, где цена ошибки недопустима, а бюджет позволяет.
Второе место занял специализированный движок mistral-ocr (PDF engine). Он обработал 258 из 264 ключевых значений с CER 0.14%. При стоимости $2.02 за 1000 страниц, это становится лучшим выбором для большинства коммерческих приложений, требующих высокой точности без экстремальных затрат. Третье место разделили несколько моделей, включая google/gemini-3.8-flash и stepfun/step-5-preview, которые также показали 254 правильных значения, но с немного более высокой ошибкой символов на сложных документах.
Интересно, что классический Tesseract 5.5, запущенный локально, показал катастрофический результат: всего 46 из 88 ключевых значений (на обычных страницах) и CER 26.06%. На выцветшем чеке он не смог распознать ничего. Это наглядно демонстрирует, что для современных задач с «грязными» данными классический OCR уступил место нейросетевым подходам.

03Как выбрать модель под ваши задачи
Выбор оптимальной модели зависит от баланса между точностью, скоростью и бюджетом. Вот сводная таблица рекомендаций для различных сценариев использования:
- Критическая точность на сложных сканах: Используйте Claude Opus 5.5. Если каждый символ имеет значение, эта модель обеспечит максимальную надежность, несмотря на высокую цену.
- Высокий объем при разумной цене: Mistral OCR (через плагин file-parser) предлагает 258/264 правильных значений за $2.02. Это «золотая середина» для обработки больших объемов документов.
- Минимальная стоимость: Модель inclusionai/ling-3.0-flash-vl с отключенным рассуждением (reasoning) стоит всего $0.04 за 1000 страниц, сохраняя 254/264 правильных значения. Отличный вариант для черновой обработки или внутренних данных.
- Серийные номера и ID: Для защиты от ошибок с похожими символами (O/0) рекомендуется пара Claude Haiku 5.5 + DeepSeek V4.1 Flash для перекрестной проверки (см. ниже).
- Чистые печатные страницы и офлайн: Если документы отсканированы идеально и требуется локальное решение, Tesseract 5.5 все еще работает бесплатно и безупречно на чистом тексте.
04Типичные ошибки: Галлюцинации и «додумывание»
Самая серьезная проблема при использовании моделей компьютерного зрения — это не просто пропуск символов, а создание правдоподобной, но ложной информации. В тесте с выцветшим чеком модель GPT-6 Luna придумала номер карты, имя официанта и пароль от Wi-Fi, которых не существовало на изображении. В трех запусках она меняла имя сервера и год. Модель GPT-6.1 Sol генерировала разные выдуманные пароли в каждом запуске (flatwhite24, flat9am!, flatleaf).
Исследователи также заметили системные ошибки:
- Смешение O и 0: В факсах 13 из 15 моделей ошибались в серийных номерах, путая букву O и цифру 0. Только Claude Sonnet 5.5 и GPT-6.1 Sol читали их правильно во всех запусках.
- Автокоррекция орфографии: В тестовом письме было намеренно написано «Senior Assosiate». 16 из 45 транскрипций «исправили» опечатку на «Associate», игнорируя инструкцию копировать текст точно.
- Потеря чекбоксов: Некоторые модели (Claude Sonnet 5.5 и Haiku 5.5) копировали текст рядом с чекбоксами, но забывали указать, какой именно из них был отмечен.

05Шаг 1: Правильная отправка скана в модель
Чтобы минимизировать галлюцинации, важно правильно сформулировать промпт. Модель генерирует текст так же, как языковая модель, поэтому она склонна писать то, что «обычно» написано в таких документах. Промпт должен жестко требовать дословного копирования.
Ниже приведен пример Python-скрипта для отправки изображения через OpenRouter API. Обратите внимание на ключевые параметры: reasoning="none" для экономии ресурсов и строгий промпт, запрещающий Markdown и комментарии.
import base64
import mimetypes
import os
import requests
API = "https://openrouter.ai/api/v1/chat/completions"
HEADERS = {
"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"
}
PROMPT = (
"Transcribe all of the text in this scanned document, in reading order. "
"Copy spelling, numbers and punctuation exactly as they appear, even if they "
"look wrong. Return plain text only, with no Markdown and no commentary."
)
def transcribe(path, model="deepseek/deepseek-v4.1-flash", reasoning="none"):
mime = mimetypes.guess_type(path)[0] or "image/jpeg"
with open(path, "rb") as f:
image = f"data:{mime};base64,{base64.b64encode(f.read()).decode()}"
body = {
"model": model,
"max_tokens": 16000,
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": PROMPT},
{"type": "image_url", "image_url": {"url": image}}
]
}],
}
if reasoning:
body["reasoning"] = reasoning
response = requests.post(API, headers=HEADERS, json=body, timeout=300)
response.raise_for_status()
data = response.json()
choice = data["choices"][0]
if choice["finish_reason"] != "stop":
raise ValueError(f"finish_reason={choice['finish_reason']}: the transcript is incomplete")
return choice["message"]["content"], data["usage"]["cost"]
if __name__ == "__main__":
text, cost = transcribe("receipt.jpg")
print(text)
print(f"\nCost: ${cost:.5f}")Важно проверять поле finish_reason. Если модель тратит слишком много токенов на рассуждение (reasoning), она может обрезать ответ, вернув статус length вместо stop. Без этой проверки ваш пайплайн может сохранить неполный текст, не заметив ошибки.
06Шаг 2: Отключение рассуждения (Reasoning)
Функция «рассуждения» (reasoning) полезна, когда модели нужно спланировать ответ или решить сложную логическую задачу. Однако для простой транскрипции текста со страницы планирование не нужно. Более того, оно добавляет лишние токены, увеличивая стоимость и время обработки.
Тестирование показало, что отключение рассуждения (reasoning="none") сделало четыре из пяти протестированных моделей быстрее и дешевле, при этом не потеряв ни одного ключевого значения. Например, модель mistralai/mistral-large-4-0 при включенном рассуждении стоила $6.80 за 1000 страниц и работала 47.9 секунд. После отключения стоимость упала до $1.68, а время — до 5.6 секунд. Точность при этом улучшилась с 240 до 249 правильных значений.
reasoning="none" для таких моделей, API вернет ошибку 400. В коде выше параметр передается только если он не равен None, что позволяет безопасно использовать универсальную функцию.07Шаг 3: Перекрестная проверка двух моделей
Для задач, где критична точность распознавания похожих символов (например, серийные номера), рекомендуется использовать метод «двух голосов». Поскольку разные модели обучены на разных данных, они редко делают одну и ту же ошибку. Если две модели из разных лабораторий сходятся в мнении, вероятность правильности результата крайне высока. Если они расходятся — нужно проверить этот фрагмент вручную или с помощью более мощной модели.
Лучшей парой для перекрестной проверки стала связка Claude Haiku 5.5 (базовая транскрипция) и DeepSeek V4.1 Flash (проверка). Haiku допустил 35 ошибок слов, и DeepSeek не согласился с 34 из них. Стоимость такой проверки составила всего $0.62 за 1000 страниц, что в три раза дешевле Mistral OCR. Ниже приведен код для сравнения результатов с помощью библиотеки difflib:
import difflib
from transcribe import transcribe # функция из шага 1
a, _ = transcribe("fax.jpg", model="anthropic/claude-haiku-5.5", reasoning=None)
b, _ = transcribe("fax.jpg", model="deepseek/deepseek-v4.1-flash", reasoning=None)
a_words = a.split()
b_words = b.split()
for tag, i1, i2, j1, j2 in difflib.SequenceMatcher(None, a_words, b_words, autojunk=False).get_opcodes():
if tag != "equal":
print(f"check: {' '.join(a[i1:i2])} vs {' '.join(b[j1:j2])}")Этот скрипт выведет строки, где модели разошлись. Например: check: 8LI5-QS0B5O vs 8LI5-QS0B50. Это позволяет быстро найти проблемные места. Однако помните: если обе модели ошибутся одинаково (например, обе прочитают O как 0), ошибка не будет обнаружена. Поэтому для критичных ID всегда используйте контрольные суммы или валидацию по базе данных.

08Шаг 4: Использование Mistral OCR как специализированного движка
Если вам нужна максимальная точность на документах с сохранением структуры, лучшим решением является Mistral OCR. Это не просто еще одна LLM, а модель, обученная исключительно для распознавания документов. На OpenRouter она доступна через плагин file-parser.
Преимущество этого подхода в том, что OCR происходит до того, как текст попадет в основную LLM. Вы можете отправить PDF-файл (даже сгенерированный из изображения) любой дешевой модели, а Mistral OCR вернет распознанный текст как аннотацию файла. Это позволяет использовать самые дешевые модели для постобработки, так как основная работа по распознаванию уже выполнена.
Код ниже демонстрирует, как обернуть изображение в PDF и отправить его через плагин. Обратите внимание, что результат возвращается в формате Markdown (таблицы для строк чека, заголовки с ##), поэтому требуется HTML-декодирование.
import base64
import html
import io
import os
import requests
from PIL import Image, ImageSequence
from transcribe import API, HEADERS # из шага 1
def mistral_ocr(path):
if path.lower().endswith(".pdf"):
with open(path, "rb") as f:
raw = f.read()
else:
# Оборачиваем изображение в PDF
pages = [p.convert("RGB") for p in ImageSequence.Iterator(Image.open(path))]
buf = io.BytesIO()
pages[0].save(buf, "PDF", save_all=True, append_images=pages[1:])
raw = buf.getvalue()
pdf = f"data:application/pdf;base64,{base64.b64encode(raw).decode()}"
pdf_name = os.path.splitext(os.path.basename(path))[0] + ".pdf"
body = {
"model": "upstage/solar-mini4", # любая дешевая текстовая модель
"max_tokens": 16000,
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "Reply OK."},
{"type": "file", "file": {"filename": pdf_name, "file_data": pdf}}
]
}],
"plugins": [{
"id": "file-parser",
"pdf": {"engine": "mistral-ocr"}
}]
}
response = requests.post(API, headers=HEADERS, json=body, timeout=300)
response.raise_for_status()
data = response.json()
# Извлекаем текст из аннотаций файла
parts = data["choices"][0]["message"]["annotations"][0]["file"]["content"]
texts = [p["text"] for p in parts if p.get("type") == "text"]
text = "\n".join(t for t in texts if not t.startswith(("
09LLM против Tesseract: Итоговый вердикт
Является ли LLM лучше Tesseract для OCR? Ответ: да, но с оговорками. Tesseract 5.5, работающий посимвольно, отлично справляется с четким печатным текстом. В тесте он идеально распознал письмо и бюллетень. Однако он полностью провалился на выцветшем чеке (0 результатов) и показал низкую точность на рукописном тексте и факсах.
Современные модели компьютерного зрения, такие как Claude Opus 5.5 и Mistral OCR, превосходят Tesseract в условиях «реального мира» с шумом, размытием и сложной версткой. Они понимают контекст изображения, а не только форму букв. Однако они требуют затрат на API и могут галлюцинировать. Поэтому для идеального пайплайна рекомендуется комбинировать подходы: использовать Tesseract для чистых документов (или локальный запуск для конфиденциальности), а для сложных сканов — применять LLM с отключенным рассуждением и перекрестной проверкой.

10Что это значит на практике
Для разработчиков, внедряющих OCR в свои продукты, ключевыми выводами являются:
- Никогда не доверяйте одной модели на сложных данных. Используйте перекрестную проверку (Haiku + DeepSeek) для выявления ошибок в ключевых полях.
- Отключайте reasoning для транскрипции. Это снижает стоимость и время отклика без потери точности для большинства моделей.
- Используйте специализированные движки для структуры. Mistral OCR через плагин file-parser — лучший выбор, если вам нужно сохранить форматирование (таблицы, заголовки) документа.
- Валидируйте критичные данные. Даже лучшая модель может ошибиться в похожих символах. Всегда проверяйте серийные номера и ID через контрольные суммы или базы данных.
Тестирование показывает, что индустрия OCR перешла от классических алгоритмов к гибридным системам на базе LLM. Правильная настройка этих систем позволяет достичь точности, близкой к человеческой, при стоимости, доступной для массового применения.
Источник: OpenRouter ↗
