2026'da OCR Nasıl Seçilir: Dokuz Modeli Üç Çıkarım Motorunda Rus El Yazısı Üzerinde Test Etme

Habr'ın yapay zeka bölümündeki makale, Rusça el yazısı için bir dizi OCR çözümünü karşılaştırıyor; dokuz modeli vLLM, SGLang ve Native HF Transformers motorlarında, Rusça el yazısı metinlerden oluşan bir veri seti üzerinde test ediyor. Yazarlar, Tesseract'ın dakikada 193 sayfa ile en hızlı olmasına rağmen sayfa başına yalnızca 411 karakter döndürdüğünü, oysa PaddleOCR-VL'nin 1193 token ürettiğini ve bunun daha yüksek hızın genellikle içerik eksikliği anlamına geldiğini bildiriyor. Özel amaçlı PaddleOCR-VL (1.7B), genel amaçlı Qwen2.5-VL-7B'yi dakikada sayfa sayısında 5,2 kat ve saniyede token sayısında 6,7 kat geride bırakıyor. Native HF Transformers, aynı model için vLLM ve SGLang'ın iki kat gerisinde kalıyor çünkü GPU kullanımı daha düşük. Kıyaslamalar, basit basılı belgeler için CPU tabanlı Tesseract veya RapidOCR'nin yeterli olduğunu, karmaşık düzenler, tablolar ve Markdown çıktısı için SGLang ile PaddleOCR-VL'nin önerildiğini ve minimum uyumluluk riski ile üretim için vLLM ile PaddleOCR-VL'nin önerildiğini gösteriyor. Genel amaçlı görevler için vLLM ile Qwen2.5-VL-7B uygundur ve yerel RU alanı VLM'si için vLLM ve MTP ile Cotype Light 3 önerilmektedir. Testler, paylaşılan bir NVIDIA A100 80GB üzerinde batch=1 ve 15 Rusça el yazısı örneği ile gerçekleştirilmiş olup, bfloat16 hassasiyeti, sıcaklık 0.0 ve belirli komut istemi gibi birleşik ayarlar kullanılmıştır.