92% 页面无需 OCR：花旗、安永与英伟达联合报告的结论及落地边界

掘金热榜文章转述了联合报告的核心判断：92% 的页面根本不需要 OCR。 大量页面本来就有可读取的文本层，却仍被渲染成图片后重复识别，问题因此不在 OCR 的识别精度，而在页面路由和重复处理。

这里的“无需 OCR”只表示页面不必经过图像识别，不等于页面不需要解析。开发者需要区分：哪些页面可以直接提取文本，哪些页面需要局部或完整 OCR，哪些复杂内容应交给表格、表单、图表模型或人工复核。对于同时包含原生文本、扫描图片和复杂表格的 PDF，处理路线应按页、按区域分流，而不是整份文件统一处理。

不过，在把“92%”写进技术方案之前，还应先厘清它的统计口径，并建立可解释、可监控、可回退的生产流水线。

先厘清“92% 页面无需 OCR”的口径

联合报告提出了“92% 的页面根本不需要 OCR”的判断。 但这个数字首先是报告层面的结论，而不是可以直接套用到所有企业的固定比例。

OCR、直接文本提取和版面解析是三件不同的事。OCR 处理的是页面图像，目标是识别字符；直接文本提取读取 PDF、Office、HTML 等文件中已有的数字文本；版面解析则进一步处理阅读顺序、分栏、页眉页脚、表格边界和字段关系。即使页面不需要 OCR，也不代表它可以跳过解析：一个原生文本页仍可能存在复制顺序混乱、空格异常、页码混入正文、表格被拆成无结构文本等问题。

因此，“无需 OCR”的准确含义应是：无需把页面转成图像再做字符识别，但仍可能需要清洗和结构化。 如果只检查 PDF 有没有文本层，就把“有文本层”等同于“可以直出”，风险会更高。有些文件虽然带有文本层，但其中可能存在不可见文字、乱码、错误字符映射、字体子集缺失，甚至文本坐标与可见内容不一致。

现有热点材料只转述了报告的核心结论，未提供原报告名称、发布日期、样本范围、页面类型构成、“无需 OCR”的判定条件及计算方法。因此不能据此宣称“所有企业都能节省 92% 的 OCR 成本”，统计口径也不能自行补全。

工程上更稳妥的做法是先从企业自己的文档中建立页面样本：按文件来源、业务类型和页型分层抽样，区分原生文本页、混合页、纯扫描页、复杂页和异常页，再统计各类页面的实际比例。企业样本中的实际比例，才应作为路由策略、容量规划和成本预算的依据。报告中的 92% 可以作为值得验证的假设，而不是生产承诺。

按页分流：文本直取、混合页、扫描件与复杂表格

页面级路由先用低成本信号判断页面状态，再选择处理路径。第一版可采用以下决策表：

第一版检测可先使用可提取字符数、文本密度、异常字符比例、文本坐标覆盖面积、图片占比、字体和编码状态等信号。固定阈值不宜照搬，应根据企业自己的标注样本确定。例如，同一字符数量阈值在不同版式页面上的意义可能完全不同：合同正文与发票表格都不能只用“字符数很多”判断质量。

规则适合处理特征明确的页面，模型更适合处理边界样本。更稳妥的做法是：先用规则快速识别文本层明显有效、明显缺失或明显异常的情况，再让轻量分类模型处理混合页和复杂版式。模型输出还应保留触发原因，避免生产系统只得到一个无法审计的分类标签。

简化的页面状态机如下：

if page_has_valid_text_layer(page):
    route = "DIRECT_TEXT"
elif page_is_complex_layout(page):
    route = "SPECIALIZED_PARSER"
elif page_is_image_only(page):
    route = "OCR"
else:
    route = "MANUAL_REVIEW"

这段状态机只表达第一层路由。实际实现中，DIRECT_TEXT 仍需检查阅读顺序、文本覆盖率和异常字符，不能无条件直出；OCR 之前通常还要经过旋转校正、裁边、去噪和版面检测；SPECIALIZED_PARSER 则需根据页面内容继续选择表格、表单、图表或手写处理器。

混合 PDF 能清楚体现按页分流的价值。同一份合同中，含原生文本的页面可以保留文本层，扫描附件页可以完整 OCR，盖章页也可能需要局部识别。如果仍然整份送入 OCR，不仅会重复识别已有文本，还可能让原生文本与识别文本相互覆盖，产生重复段落和错误阅读顺序。

区域级处理时，应把原生文本和 OCR 文本统一映射到页面坐标系，记录每段文字的来源、页码、边界框和置信信息。系统可以据此做去重、排序和来源追踪，而不是把两套文本简单拼接。

复杂内容还需要进一步区分处理目标。表格的重点是恢复行列、合并单元格和表头关系，单纯 OCR 只能得到字符，不能保证表格结构正确。表单需要定位字段区域、识别字段值并建立键值关系；手写内容通常要依赖专门的手写识别模型，并设置人工复核阈值。图表中的标题、图例和坐标轴文字可以通过 OCR 获取，但图表表达的数据关系、结构或趋势，则应交给图表解析或视觉模型。

这套逻辑的关键是页级路由优于文件级路由：同一个 PDF 内不同页面可以进入完全不同的处理路径；即使在页面内部，原生文本和扫描区域也可以采用不同策略。路由粒度越接近实际内容，越能减少不必要的 OCR 调用，也越容易定位误差来源。

生产落地：质量基线、监控、回退与安全

一条可用于生产的文档摄取管线，应至少包含以下环节：文件接收与解密、页面拆分、页面检测、路径选择、文本或 OCR 解析、清洗与结构化、质量校验，最后进入分块、索引和检索。解析结果不应只是一段拼接后的纯文本，还应保留页码、坐标、来源类型和解析器版本，否则后续 RAG 很难定位引用，也难以回查原始页面。

上线前，应先制作一份分层测试集，覆盖原生文本页、纯扫描页、混合页、复杂表格、表单、图表以及加密、损坏、空白等异常文件，并保留人工标注答案。测试集需要来自真实业务分布，不能只挑扫描质量较好的样本，否则生产环境很快会暴露出更多未覆盖问题。

核心指标可以分为四类：

• 路由指标：直接提取率、OCR 回退率、区域级回退率和人工复核率。
• 质量指标：文本准确率、阅读顺序正确率、表格结构正确率、字段定位和提取正确率。
• 效率指标：每千页处理成本、P95 延迟、吞吐量、重试率和异常积压量。
• 下游指标：用于 RAG 时，继续评估检索命中率、引用可追溯性和回答质量。

其中，OCR 调用比例下降本身不是成功指标。如果直接提取率提高了，但阅读顺序、表格结构或检索质量下降，整体方案仍然失败。因此需要保留一套“全量 OCR”基线，在同一批样本上比较质量、成本和延迟，再决定阈值和自动放行范围。

监控日志应记录每页选择的路由、回退原因、解析器版本、耗时和可用的质量信号。这些记录用于回答“为什么这页走了 OCR”“哪类文件导致成本上升”“规则升级后哪些结果发生变化”。日志不必默认保存原始敏感正文；确有排障需要时，可以采用受控采样、脱敏记录或独立的加密存储。

上线可从小范围开始：先在少量人工标注样本上测试新链路，再进行影子运行，在不影响线上结果的前提下收集新链路数据；随后与全量 OCR 基线对比，调整分类阈值和回退条件，最后逐步扩大自动处理范围。低质量结果必须进入重试或人工队列，不能因为追求“92% 直接处理”而强行自动放行剩余页面。

企业文档还涉及专门的安全边界。文件与解析结果应加密存储，访问权限遵循最小权限原则，并明确数据驻留区域和保留周期。若调用外部 OCR 服务，需要在合同和技术配置中说明数据是否离开企业环境、是否用于模型训练、保存多久，以及供应商能否接触原始页面。密码保护、文件损坏、空白页和无法解析的页面也应分别进入解密、修复、重试或异常队列，不能阻塞整批任务。

文档摄取的成本优势取决于整条路由链路能否持续证明其判断质量，单个 OCR 模型并不能决定这一点。92% 可以指导下一次样本调查，却不能替代企业自己的质量基线、监控数据和异常回退机制。OCR 应只处理确实需要识别的页面，整条分流链路则需保持可测量、可解释、可回退。