Нашел интересный проект, с помощью которого из старенького iPhone можно сделать бесплатный OCR-сервер: Это опен-сурс приложение для iOS, которое использует Vision - эпловский бесплатный on-device фреймворк (мы его знаем как функцию выделения текста на картинках) Всё очень просто:

1/ На айфоне поднимается мини-HTTP-сервер и показывается IP для подключения 2/ По API серверу отправляется картинка 4/ И передается в Vision как RecognizeTextRequest 5/ Vision делает свою работу и отдает текст, размеры картинки и координаты в JSON

По качеству Vision лучше Tesseract (кто знает тот знает) и подходит для доков, скриншотов, книг и печатного текста в целом. С рукописью могут быть проблемы. Приложение в AppStore | GitHub Нужна минимум iOS 18.4 и хотя бы iPhone XR Так что если у вас завалялся лишний айфон, можно юзать его как бесплатный бекенд для OCR ☕️ @tips_ai #news

✔️ Mistral обновила OCR-модель до версии 4.1 Главный упор сделали на обработку перегруженных страницы, где текст, изображения и подписи идут плотно и наслаиваются друг на друга. По данным Mistral, модель точнее определяет границы каждого элемента - рамки не съезжают, изображения не наезжают одно в другое по ошибке. На нагруженных технических диаграммах модель реже теряет блоки, а текстовые выноски считывает как самостоятельные объекты, а не сливает в один массив. Отдельно заявлена работа с многоколоночными документами, OCR 4.1 сохраняет исходную структуру страницы и отдает каждую колонку отдельной областью текста. В настроенных процессах тем, кто пользуется моделью, менять ничего не нужно. Алиас mistral-ocr-latest уже переводит существующие интеграции на новую версию. Руками модель можно попробовать в Mistral Studio. @ai_machinelearning_big_data #news #ai #ml

LFM2.5-VL-3B Очередная компактная модель от Liquid AI Мультимодальная зрительно-языковая, работает на самртфоне Обходит заметно более крупные модели в задачах по экранам, привязке объектов и распознаванию текста. • Понимание экранов мобильных, веб и настольных интерфейсов • Grounding - привязка объектов к координатам по запросу на естественном языке • Полностраничное OCR с разметкой макета - текст, таблицы, формулы, графики • Вызов функций и инструментов • Работа с несколькими изображениями сразу • База LFM2.5-2.6B плюс визуальный энкодер SigLIP2 NaFlex 400M • Контекст 32 768 токенов, 16 языков включая русский • Около 3 ГБ памяти • 20 ток/с на Galaxy S26 Ultra HF Демо #multimodal #vlm #compact #mobile

OvisOCR2 вышел на ModelScope. Это компактная OCR-модель на 0.8B параметров для page-level document parsing: на вход подаётся изображение страницы, на выходе получается структурированный Markdown в нормальном порядке чтения. Формулы модель отдаёт в LaTeX, таблицы в HTML, визуальные области помечает image tags с bbox-координатами. По заявленным результатам OvisOCR2 набрала 96.58 overall на OmniDocBench v1.6 и стала первой end-to-end моделью, которая заняла первое место в лидерборде, где раньше доминировали pipeline-системы. На PureDocBench тоже сильный результат: 75.06 Avg3. Это важнее, чем просто победа на одном бенчмарке, потому что документный парсинг давно страдает от переобучения под популярные наборы. Модель сделана на базе Qwen3.5-0.8B и дообучалась через SFT, RL и OPD. Для деплоя есть поддержка vLLM, лицензия Apache 2.0. https://modelscope.ai/models/ATH-MaaS/OvisOCR2