作者基于此前多次 OCR 横评经验，介绍百度文心团队开源的 Unlimited OCR 2。作者实测 1665 页《平凡的世界》图片版 PDF，40 分钟完整解析，3623 页《哈利·波特》也只需 90 分钟。其核心创新是 SR-SWA（稀疏参考滑动窗口注意力），通过 Page Gate 划定相关页面、Token Sieve 挑选 top-k 视觉块，使每步计算量不随页数增长；配合无限解码机制，百页文档峰值显存从 47GB 降至 1.77GB。与全注意力相比快 7 倍，在 MarathonDocBench 上保持 SOTA。短板是全局结构信息（如标题层级）保留不足。
作者以美妆企业 FDE 落地项目为例，讲解如何将小红书、抖音、视频号、微博等平台采集的多模态数据（文字、图片、音频、视频）清洗成一套可信、可查询的结构化数据。文章提出八步通用链路：定数据规范、保留原始内容、梳理用户/帖子/评论关系、多模态归一处理、冲突与质量清洗（含证据分级）、生成结构化数据、执行验收、按规则和版本入库。文中还给出 OCR/ASR 工具选型建议（FFmpeg、PaddleOCR、Whisper 等）以及大模型结构化输出的实践经验。
作者岚叔宣布将自研的 macOS 截图工具 QuickShot 正式开源。该工具支持悬停识别窗口、彩虹轮廓高亮截图、圆角外透明等特性；内置十种标注方式，支持二次编辑、移动、改色和无限撤销重做；提供署名美化、渐变背景、多种比例设置并可保存为默认样式；还具备多图拼接、窗口置顶贴图、本地 OCR 文字识别等功能。所有截图和文字均在本地处理，不上传、无需账号，注重隐私。文末附官网、下载和源码地址，邀请用户体验、Star 和提建议。
腾讯开源了微信团队的端到端文档解析模型 WeVisDoc，提供 2B 和 4B 两个版本。模型可将整页文档图片直接转换为 Markdown，无需分别裁剪标题、正文、表格和公式。它能保留复杂文档结构：正文转 Markdown，公式转 LaTeX，表格转 HTML，并恢复阅读顺序。版面理解、文字识别、公式识别和表格重建均由单一视觉语言模型完成，无需额外部署版面检测器或 OCR 引擎。2B 适合资源有限场景，4B 在拍照、翻拍等退化页面表现更优，在公式和表格解析方面端到端领先。
这是一篇关于微调小型LLM的完整实战指南。作者指出不需要70B大模型或昂贵算力，1.5B参数模型在200-500个优质样本上微调后，可在特定任务上超越通用提示的前沿模型。文章以商业融资文案生成为例，详细讲解了微调的实际目标、建立基线（纯提示、RAG、微调）的先后顺序，并分步骤介绍了小型基座模型选择（如Qwen2.5-1.5B）、数据权利合规、可复现数据下载、PDF文本提取与OCR、文本清洗、训练数据集构建、QLoRA训练、评估与部署，每一步均附完整代码。
本文是 FDE（前沿部署工程师）系列教程，强调企业上 AI 的前提是做好数据治理。作者以纸质维修单、扫描产品手册和 Excel 配件表为例，讲解完整流程：确认用途、盘点原件、扫描采集、OCR 与解析、清洗核对、验收发布、持续维护。文章介绍了 OCRmyPDF、PaddleOCR、OpenRefine、DuckDB 等开源工具的组合使用，涵盖表格解析、字段口径统一、重复与版本处理、权限管理、人工抽查验收等实操细节，并指出 AI 应先进入待核队列而非直接覆盖正式数据。数据理顺后，再接入知识库和 AI 才能真正落地。
文章详细介绍了 X 平台最新的原创内容奖励计划（OCR）的申请全流程。内容包括：申请资格门槛（18岁、Premium订阅、500认证粉丝、90天50万合格曝光等）；避免被判定“操作性发布”的高风险行为；10条代表作的筛选方法与评分维度；首次申请的详细操作步骤；通过审核后配置 Wise、Stripe、绑卡及填写 W-8BEN 税务表格的完整流程；以及被拒后的整改策略、申诉技巧和申诉理由的写作模板，帮助创作者提高一次通过率。
作者袋鼠帝开发并开源了一款AI原生截图工具“拓（Ta）”，具备钉图、标注、马赛克、截长图等常规功能，并深度集成AI能力：框选即可OCR识别文字、翻译并自动复制到剪贴板，还支持AI识图。拓可作为skill或CLI接入任何Agent（如Codex），实现自动截图获取报错信息等自动化流程。开发过程使用智谱最新开源模型glm-5.3-flash，作者评价其coding、agent与视觉能力出色，价格仅为Opus的1/40，兼具速度、性能与性价比，标志前沿模型进入普惠时代。
文章介绍了开源项目Stirling-PDF，该工具凭实力登上GitHub榜首并累计3000万下载量。它内置超过50种PDF操作功能，涵盖编辑、合并、拆分、电子签名、敏感信息脱敏、格式转换、OCR识别和智能压缩等场景，还支持通过无代码Pipeline搭建自动化批量处理流程。部署门槛极低，一行Docker命令即可启动。最新版本接入MCP协议，意味着AI Agent未来可将其作为底层能力引擎，自动化完成复杂PDF任务，有望成为PDF处理领域的标准基础设施。
DeepSeek 发布实验性视觉模型 DeepSeek-V4-Flash-Vision-Exp，在 V4 Flash 基础上增加识图能力且价格不变。作者通过 DeepSeek Harness 接入该模型，完成了 OCR 识别、人物识别、iPhone 机型辨别、找不同、图片转 ASCII、报错修复、前端页面复刻、数据报表逻辑分析共 8 项测试。结果显示其 OCR 和找不同表现优秀，但人物识别、机型辨别和页面复刻存在明显失误。整体可用且性价比极高，一张图约 0.12 分钱，八轮测试仅花约 6 元，而同等测试用 Opus 5 需约 8 美元。这是 DeepSeek 迈向原生多模态的重要一步。
文章介绍了 AIPC（能在本机处理 AI 工作负载的个人电脑）的概念与工作原理，通过扫描件 OCR 的例子说明本地 AI 任务从输入到输出的完整链路及各环节的交接问题。对比了 AMD Ryzen AI Max+ 395 Mini PC 与 NVIDIA DGX Spark 两类设备的架构、内存与软件生态差异，并讨论了在没有 AIPC 时如何利用闲置电脑跑本地模型，以及噪声、散热和何时应购买独立 AIPC 的考量。作者认为随着本地大模型能力逼近闭源云端模型，专业人士应考虑部署一台可 24 小时运行的 AIPC。
本文介绍如何用办公Agent WorkBuddy处理公司日常财务工作，提供6大常用工作流的可直接套用提示词模板：银行流水与发票交叉对账、报销单据预审整理、应收应付台账批量更新、多Excel报表合并汇总、工资辅助校验处理、财务文档批量归档重命名。作者强调先借助模板上手，跑通后将工作流固化为个人专属Skill以便复用和分享，并提醒所有数据处理结果需人工复核，确保财务严谨不出错。
本文是 Phone Harness 的实战教程，作者 Seven 分享了如何让 Codex、Claude Code 等 Agent 无需越狱即可控制锁定的 iPhone，实现开 APP、点按钮、输入文字、读取屏幕等操作。文章详细介绍了本地 Phone Harness 的安装步骤、权限配置（辅助功能、屏幕录制）及常见问题排查，并提供了三个 Demo 演示从读取到写入的完整流程。此外，作者还介绍了云端异步任务方案 Airtap，通过设置 Routine 让 Agent 在睡眠时自动完成岗位信息收集并发送邮件，展示了 AI 自动化在移动端控制与任务执行方面的应用潜力。
本文详细介绍了 Phone Harness 的安装、配置和使用方法，使 Codex、Claude Code 等 AI Agent 能够控制锁定的 iPhone，实现打开应用、点击按钮、输入文字、读取屏幕等操作。文章分为本地和云端两套方案，涵盖环境要求、安装步骤、权限设置、常见问题排查及实际应用案例，并提供了可直接复制的命令和 Prompt。作者通过实际体验展示了 AI 在无人值守时自动完成重复任务的潜力。
本文探讨了如何利用 ADB（Android 调试桥）将本地算力机（AIPC）与 Android 手机结合，构建高效的自动化工作流。作者指出，ADB 充当了电脑控制手机的执行通道，能实现截图、点击和数据传输等操作。结合本地大模型与 OCR 技术，算力机可自动完成小红书等平台的内容采集与整理。这种模式展现了 AIPC 连接和控制实体设备的未来潜力，将推动家庭自动化的应用。
文章探讨了 Cherry Studio 2.0 对本地模型的支持策略。作者认为本地模型的主要价值不在于替代云端大语言模型，而是通过 Embedding、OCR、ASR 和数据脱敏等轻量级模型，补齐 AI 产品中的关键基础能力。这种设计旨在降低用户使用门槛，提高隐私保护，并确保功能的稳定性。
DeepSeek-V4-Flash虽性能卓越且价格低廉，但缺乏原生视觉能力。文章介绍了五种为其“装上眼睛”的方法，包括官方识图模式、视觉MCP、Codex视觉代理、Hermes内置路由及手动OCR。建议根据使用频率选择合适方案，并优化视觉提示词以确保信息提取准确性。
本教程详细介绍了如何使用 Workbuddy 通过 MCP 协议连接并操控腾讯文档。内容涵盖了前置连接准备、文档增删改查、表格数据处理、AI 生成 PPT、智能画布绘图以及 OCR 与自动化工作流等高阶技巧，旨在帮助用户利用自然语言高效管理在线文档。
文章实测了百度开源的PP-OCRv6（Tiny、Small、Medium三档）本地部署方案。作者演示了如何用10分钟在笔记本上搭建OCR工作流，并对比了这三档模型与Apple Vision、Qwen3-VL等在手写、名片、轮胎压印等场景下的表现。结论指出，专用轻量模型在“逐字还原”的抄写员场景下远超大模型（VLM），且具备离线、隐私保护的优势。
LlamaIndex 推出完全用 Rust 重写的文档解析器 LiteParse。相比旧版，新版本在处理大文档时速度提升 3 倍，小文档提升可达 100 倍，实测 457 页 PDF 解析仅需 0.777 秒。该工具支持 Python、Node.js、Rust 及浏览器环境，覆盖 PDF、Office 等主流格式，具备原生 OCR 能力，且可作为 Agent Skill 直接集成。
本文介绍了如何通过简单的配置，将 PaddleOCR 接入 OpenClaw Agent，以低成本实现高精度的文档识别。相比昂贵的大模型视觉方案，PaddleOCR 提供了每日 1 万页的免费解析额度。文章详细演示了申请 API、获取密钥以及在手机端实现名片数字化的全过程，强调了 OCR 在 Agent 与人协同时代的重要性。
文章介绍了如何利用 PaddleOCR 的文档解析能力和 OpenClaw 的 Agent 编排能力，搭建一套自动化发票管理系统。通过简单的配置，实现了发票 PDF 的自动解析、飞书云空间存储及多维表格的结构化录入，全过程仅需 30 秒，极大提升了报销效率。
