No-OCR：一款不需要OCR文本提取的文档处理工具

No-OCR是什么？

No-OCR是一款不需要复杂OCR文本提取的文档处理工具，只需上传PDF文件，就可以快速搜索或查询多个文档集合中的内容，不需要依赖传统OCR技术，可以提升文档分析效率。它支持创建和管理PDF/文档集合，并按“案例”分类组织，同时自动构建Hugging Face风格的数据集。此外，No-OCR还具备基于向量的PDF页面和相关图像搜索功能（使用LanceDB），并通过Qwen2-VL实现图像和图表的视觉问答。它支持文本和视觉查询的混合搜索，可通过Docker快速部署，配置简单，还提供了详细的开发安装说明。

No-OCR特点

• 无需OCR：完全不依赖OCR技术，适用于视觉内容丰富的PDF文件。

• 简单易用：上传PDF文件后即可进行搜索，支持复杂视觉内容（如表格、图表、布局等）。

• 开源模型：基于开源的LLM（大型语言模型）进行内容检索和解释。

• 可部署性：支持Docker部署，适用于任何企业环境。

No-OCR使用场景

• 适用场景：如果文档包含丰富的视觉内容（如表格、图表、布局等），No-OCR是一个很好的选择。

• 不适用场景：如果文档主要是纯文本内容，传统的BM25搜索可能更适合。

• 混合内容：如果文档包含文本和视觉内容的混合，可能需要根据需求调整解决方案。

No-OCR架构设计

• 简单架构：不依赖数据库或消息队列，所有持久化操作均基于文件系统。

• 主要服务：

• Modal：用于LLM的部署。

• Qdrant：用于多向量搜索。

• Supabase：用于用户认证和授权。

• 创建案例：用户上传PDF文件并指定案例名称，系统会将PDF转换为数据集并上传到Qdrant。

• 搜索流程：用户输入搜索查询，系统通过LLM识别相关页面并解释内容。

No-OCR LLM模型

• ColPali家族：用于图像检索，将图像转换为可搜索格式。

• Qwen2-VL家族：用于视觉内容的推理，特别是Qwen2-VL-7B-Instruct模型，是目前最先进的开源视觉模型之一。

创建案例流程

工作原理

No-OCR平台采用简化的RAG方法，用户只需上传PDF文件创建案例，系统会处理这些文件并使其可搜索。用户可以提出任何问题，包括关于视觉元素的问题，平台会利用顶级开源推理模型提供答案。

搜索流程

No-OCR使用步骤

1. 上传并处理复杂PDF：用户上传具有挑战性的PDF文件创建新案例，系统会生成嵌入，无需复杂的OCR处理。

2. 使其可搜索：处理完成后，用户可以运行基于文本的查询，快速找到相关页面和引用，无论PDF布局多么复杂。

3. 提出视觉相关问题：平台会快速定位相关页面，然后通过专门的开源视觉模型进一步提炼答案，即使PDF包含图表或图表，也能提供上下文感知的见解。

TLDR：https://no-ocr.com/about

Github：https://github.com/kyryl-opens-ml/no-ocr