当大模型技术重塑数字产业格局，企业对数据转化的需求已从“识别文字”升级为“理解业务、驱动决策”。远光软件将光学字符识别（OCR）技术与多模态大模型协同应用，全新打造出兼具精准识别与智能推理能力的远光图文底座（OCR），为企业数字化转型注入动能。

技术破壁

从“单一识别”到“多模态理解”

针对传统OCR“硬编码”的局限，远光图文底座（OCR）以全栈自研的图文识别智能底座为核心，构建“云-边-端”协同的部署形态，并通过融合视觉、语义等多维度信息，以“感知编码→文字识别→任务理解与后处理”的统一产线，实现了从“文字识别”到“数据理解”的跨越式升级。既能处理图像、文本、表格、版式等混合文件，又能通过注意力与结构先验聚焦发票金额、合同签署页、资质有效期等关键区域，显著增强复杂场景下的鲁棒性与可解释性。

01

感知与版面编码：奠定理解基础

对输入影像进行去噪、去阴影、倾斜/畸变矫正等质量增强与几何校正，并进行区块、表格、印章、签字/签章位置、页眉页脚、跨页连贯关系等版面/结构要素识别，为后续文字与语义处理提供位置与结构先验。

02

检测识别一体化：确保精准输出

面对手写体、多语种混排、印章覆盖、低清模糊等识别难点，远光OCR巧妙结合Transformer系列识别网络与字形先验、语言建模校正等策略，确保字符级与字段级的高保真输出，大大提高了识别的准确性和可靠性。

03

语义理解与知识对齐：实现深度理解

通过多模态大模型（如Qwen-VL-2B等轻量化 VLM）与领域知识（业务元数据/规则库/知识图谱）协同，对已识别内容进行语义归一化、字段抽取、跨页表格合并、逻辑一致性校验，如对金额、税率、日期及主体一致等的校验，并生成可读摘要、要点提炼与稽核结论。既能“理解文档”，也能将理解结果结构化输出到业务系统。

价值释放

多模态大模型协同应用破解企业痛点

01

统一产线：一站式输出结构化结果

远光图文底座（OCR）通过与多模态大模型协同应用，已从单纯的“只做识别”升级为“图文识别+文本后处理”的共性服务。解析后端自动提取、合并并核对多页多文件的关键信息，附带可追溯依据，统一输出可直接入库或过账的标准化数据。同时，推进模型与服务的统一化封装，有效降低了对接成本，便于应用到更多场景中，提高了方案的通用性和可扩展性。

02

复杂场景增益：实现“识别→理解→抽取”闭环

面向财务报销、商旅票据、证照与省侧等多场景需求，远光图文底座（OCR）通过解析后端在识别结果与版面/布局线索的基础上，完成关键信息提取与一致性校核。例如，在处理复杂版式的票据时，能够准确提取关键信息并进行一致性验证，大大提升了复杂版式与多类票据的可用性与可解释性，为企业提供了更准确、可靠的数据支持。

03

工程可控：平衡能力迭代与成本控制

远光图文底座（OCR）将多模态能力放在“解析后端”，保留了既有识别链路的稳定性。在此基础上，依据调用结构与并发目标按需扩容，实现了能力迭代与成本可控的平衡。这种灵活的部署方式，既满足了企业对新技术应用的需求，又避免了因大规模升级带来额外的算力消耗与资源压力。

场景渗透

从通用到定制的多元场景覆盖

远光图文底座（OCR）与多模态大模型协同应用，构建了“通用-定制-延伸”全场景应用体系，涵盖通用文档（文字）识别、卡证识别、票据识别、智能文档抽取、智能图像处理等功能场景，精准匹配企业多元需求。

01

通用场景开箱即用

数电票、增值税发票、营业执照等36种预置模型，支持JPG、PDF、OFD等格式，公有云、一体机等多模式快速部署，满足财务报销、税务申报等高频需求。

02

定制场景一站解决

内置表格、图像识别模型，提供非固定版式提取、附件完整性检查、签字盖章定位等能力，为复杂业务打造“分类-核验-推理”全流程方案。

03

延伸场景软硬一体

将模型与智能终端融合，实现“扫描+识别”协同，减少70%重复工作，规避人工漏核风险。

远光图文底座（OCR）依托多模态技术高效打通数据转化壁垒，深度激活企业数据潜能，加速企业从“数字化”向“智能化”跨越。目前，产品已在能源、电力、金融、制造等多个行业的央国企深入应用，全面赋能企业各类业务场景。