Artikler med tag: OCR

En ny tutorial fra MarkTechPost viser en fuld pixel-native RAG-pipeline, der renderer websider og PDF’er som billeder, fliser dem og søger i visuelle embeddings. Det løser velkendte problemer med skrøbelig HTML-parsing og tekst-ekstraktion. Den vigtigste begrænsning allerede nu: der mangler head‑to‑head benchmarks mod tekstbaserede pipelines på samme datasæt, så beslutninger bør hvile på egne målinger (kilde 2754; understøttet af denne vurdering). AWS’ seneste fokus på web‑grounding sætter desuden konteksten for at holde svar opdaterede (kilde 2756).

Datalab har udgivet Marker 2, en fuld omskrivning af den open source‑dokumentkonvertering. Ifølge kilden måler Datalab 76,0 procent på Allen AI’s olmOCR‑bench i balanced mode og cirka 2,9 sider i sekundet på en enkelt B200 GPU. MinerU’s pipeline backend rapporteres til 72,7 procent og 0,54 sider i sekundet, og Docling til 50,3 procent og 2,1 sider i sekundet. Alle tal er fra Datalabs egne kørseler på det samme benchmark.

Lift beskrives af MarkTechPost som en cirka 9B vision-model, der går fra PDF eller billede plus et JSON Schema til schema-formet JSON i én visuel passage. Kilden skelner skarpt mellem parsere og extractors og peger på, at Lift kan forkorte parse-then-extract, når målet er felter. Uafhængige benchmarks, licens og driftskrav er ikke oplyst i kilderne og bør afklares i en POC.

AWS viser en flertrins-pipeline, hvor Amazon Nova styrer SAM 3 og Textract for at sløre PII i billeder. Fornuftig på papiret — men hvor langt rækker det i praksis, og hvad kræver det at drive sikkert i produktion?

En ny, teknisk tutorial demonstrerer en schema‑guided pipeline til kreditorbogholderi: fra syntetiske faktura‑PDF’er over valideret JSON til en samlet ledger. Pointen: det handler mindre om OCR og mere om dokumentforståelse med et stramt skema – og kode, der faktisk kan køre.

Ifølge MarkTechPost lancerede Baidu Unlimited OCR, en 3B MoE-OCR-model med Reference Sliding Window Attention, som ifølge forfatterne holder KV-cachen effektivt konstant og scorer 93,23 på OmniDocBench v1.5. Det er teknisk plausibelt og interessant for drift, men kræver uafhængige målinger før beslutninger.

Mistral AI lancerer OCR 4, en dokumentforståelsesmodel der leverer citation‑klart, struktureret output med bounding boxes, blok‑typer og confidence‑scores — og kan køre som én container on‑prem. Spørgsmålet er ikke kun hvad den kan, men hvor meget integrationsarbejde der stadig venter i den virkelige verden.

AWS lægger en konkret IDP-arkitektur frem med Amazon Bedrock Data Automation, Strands Agent på Bedrock AgentCore Runtime og Bedrock Knowledge Base. Målet er at gå fra rå OCR til struktureret, valideret information. Guiden beskriver funktioner og kapaciteter, inkl. op til 3.000 sider og 500 MB pr. request, men deler ikke tal for pris, latenstid, SLA eller metode til kalibrering af confidence-scorer.

DeepSeek-OCR 2 sætter nye standarder for layoutforståelse og automatisering af dokumenter i både offentlige og private organisationer. Vi ser på, hvorfor det er relevant nu, hvad der gør modellen unik, og hvordan du kan komme i gang.

Cohere har introduceret Command A Vision – en ny vision-sprogmodel, der ifølge producenten scorer bedre end GPT 4.1, Llama 4 Maverick og Mistral i visuelle benchmarks og kun kræver to GPU’er. Men da alle resultater kommer fra Cohere selv og ikke dækker alle branchestandarder, bør virksomheder forholde sig kritisk. Mulighederne for dansk automatisering er store, men forbehold er nødvendige.