PaddleOCR 3.5: Running OCR and Document Parsing Tasks with a Transformers Backend★ 75
Hugging Face Blog15d agoRelease知名開源 OCR 工具 PaddleOCR 3.5 正式整合至 Hugging Face Transformers 生態系。開發者現在可以直接使用 PyTorch/Transformers 後端執行文字偵測、識別及表格解析等任務，無需安裝複雜的 PaddlePaddle 框架。這項更新極大地簡化了 OCR 與 RAG（檢索增強生成）等下游任務的整合流程。
Granite 4.0 3B Vision: Compact Multimodal Intelligence for Enterprise Documents★ 75
Hugging Face Blog63d agoReleaseIBM 於 Hugging Face 發布全新 Granite 4.0 3B Vision 模型。這款僅有 30 億參數的輕量級多模態模型，專為企業級文件理解、圖表分析與 OCR 數據提取而設計。其小巧的體積不僅大幅降低了部署門檻與運算成本，更在處理複雜商業報表與 PDF 文件時展現出極高的實用性，是企業本地化部署的理想選擇。
Extract text from documents and images with Datalab Marker and OCR★ 75
Replicate Blog224d agoReleaseReplicate 平台上架了來自 Datalab 的兩款全新文件解析模型：Marker 與 OCR。Marker 專為將整份複雜文件（如 PDF）轉換為乾淨的 Markdown 格式而設計，非常適合 RAG 應用；OCR 模型則能精確提取圖片或文件中的文字，並提供行級（line-level）的多邊形定位座標，為開發者提供高效的文件預處理方案。
Supercharge your OCR Pipelines with Open Models★ 80
Hugging Face Blog224d agoTutorial本文探討如何利用開源模型（如 Florence-2、Qwen2-VL 與 Llama-3.2-Vision）替代傳統 OCR 系統。開源 VLM 不僅能精準辨識文字，還能直接輸出 JSON 或 Markdown 等結構化格式，解決複雜排版與表格解析的痛點。透過 Hugging Face 生態系，開發者可以輕鬆部署並微調這些模型，打造高效、低成本且隱私安全的文檔處理 Pipeline。
Finetuning olmOCR to be a faithful OCR-Engine★ 75
Hugging Face Blog406d agoTutorialAllen AI 推出的 olmOCR 是基於視覺語言模型（VLM）的強大 PDF 轉 Markdown 工具，但在面對嚴謹業務時仍有幻覺或漏字風險。TNG Technology Consulting 分享了他們如何透過精心設計的資料集與微調技術，顯著提升 olmOCR 的「忠實度（Faithfulness）」。微調後的模型能更精準地辨識複雜排版、表格與公式，並大幅降低文字篡改與遺漏，為企業級 OCR 應用提供可靠的開源解決方案。
Visual Salamandra: Pushing the Boundaries of Multimodal Understanding★ 70
Hugging Face Blog417d agoRelease巴塞隆納超級電腦中心（BSC-LT）正式發布 Visual Salamandra 7B 多模態模型。該模型以其自主研發的 Salamandra 7B 語言模型為基礎，融合了先進的視覺編碼器，旨在提升圖像理解、視覺問答及 OCR 能力。特別的是，它承襲了 Salamandra 家族在西班牙語、加泰隆尼亞語等多語言環境下的優異表現，為開源多模態社群注入新選擇。
Introducing TextImage Augmentation for Document Images★ 75
Hugging Face Blog665d agoNew ToolHugging Face 宣布與知名圖像增強庫 Albumentations 合作，推出專為文件圖像（如收據、合約、掃描檔）設計的 TextImage 數據增強技術。此技術能模擬真實世界中的折痕、陰影、污漬及掃描噪點，解決 Document AI 模型在面對低質量現實圖像時識別率下降的問題。開發者可直接將其整合至 Hugging Face 的數據處理與訓練流程中。
Introducing Idefics2: A Powerful 8B Vision-Language Model for the community★ 80
Hugging Face Blog778d agoReleaseHugging Face 正式發布 Idefics2，這是一款擁有 80 億參數的開源視覺語言模型（VLM）。它基於 Mistral-7B 與 SigLIP 構建，顯著提升了 OCR、圖表理解及多圖對話能力。Idefics2 支援原生解析度與長寬比，並以 Apache 2.0 授權釋出，極適合開發者進行微調與商業部署。
Introducing ConTextual: How well can your Multimodal model jointly reason over text and image in text-rich scenes?★ 75
Hugging Face Blog819d agoReleaseHugging Face 發表全新基準測試「ConTextual」並上線排行榜。該基準專注於評估多模態大模型（MLLM）在處理「富含文本的圖像」（如圖表、資訊圖表、街景招牌等）時的圖文聯合推理能力。這項測試超越了單純的 OCR 文字識別，更考驗模型結合視覺上下文與文本進行深度推理的實力，為評估當前頂尖多模態模型提供了更貼近真實應用場景的標準。