大模型洗数据之 OCR
如果没有在光年洗数据的经历，我是不会很快想到 OCR 会成为大模型的一个重要基础设施(以及瓶颈)的。中文电子书，绝大部分是扫描版的(这个和 libgen, zlib 里大多英文电子书是文字版还不一样，以后展开)，没有 OCR 就没法提取书籍里的信息。

没想到的是，市面上不管是收费还是免费，闭源还是开源的 OCR，即使名气很大，几乎都搞不定书籍(如果你也觉得很反直觉，可以看看附图)。

在所有的测试中，比较意外的是，有一家几百人的“中厂”的效果力挫各互联网大厂，效果最好。
最近看新闻，它已经 IPO 过审，准备上市了。认真做被互联网巨头看不上的活这么多年，赶上大模型淘金热，起飞。

真是“星光不问赶路人，时光不负有心人”。