Нейросеть, которая сама видит PDF, прочитала сканы без ошибок. Связка с OCR вышла вчетверо дороже
Чтобы вытащить таблицу из скана счёта, обычно делают два шага. Сначала программа распознавания (OCR) превращает картинку в текст, потом этот текст читает нейросеть. На этой неделе OpenRouter (сервис, через который подключают сотни нейросетей одним ключом) проверил, нужен ли первый шаг до сих пор. Вышло, что нет.
Проверяли на пяти PDF, собранных из известных данных, чтобы сверить каждую ячейку: счёт, квартальный отчёт, журнал отгрузок на 58 строк с переходом на вторую страницу, отсканированный заказ и нарочно плохой скан с объединёнными ячейками. Всего 644 ячейки.
Модель сама смотрит на страницу
Три мультимодальные модели получили PDF целиком, как есть: GPT-6 Luna, Claude Haiku 5.5 и Gemini 3.8 Flash. Все три заполнили 644 ячейки из 644, включая оба скана. Убыток в скобках (3,878) вернулся числом −3878, таблица с двух страниц пришла одним списком. Документ обрабатывался 8–16 секунд, тысяча страниц у GPT-6 Luna обошлась бы в 62 рубля.
Тот же скан через OCR
Модели, которая не умеет смотреть на файлы (взяли DeepSeek V4.1 Flash), PDF сначала распознавали. С платным распознаванием она ошиблась в двух ячейках: оставила сноски, которые просили убрать. Тысяча страниц обошлась в 250 рублей против 62 у GPT-6 Luna, документ обрабатывался 25 секунд против 10. Распознавание само стоит 2 доллара за тысячу страниц и прибавляется к каждому запросу, поэтому дешёвая модель за ним перестаёт быть дешёвой.
С бесплатным конвертером, который достаёт из PDF только текстовый слой, вышло хуже: 434 ячейки из 644. В сканах текстового слоя нет, и обе таблицы вернулись пустыми. Сервер при этом ответил, что запрос выполнен успешно.
У нас отдельный шаг тоже мешал
Я разработчик, у нас агент каждый день получает от клиентов счета и прайсы в PDF. Раньше каждую запрошенную страницу мы отправляли на распознавание, даже цифровую. Счёт на три тысячи знаков на странице уходил туда на две минуты и возвращался обрезанным и с ошибками, хотя тот же текст лежал в самом файле и читался за пятидесятую долю секунды.
Теперь текст берём из файла, а распознаём только сканы. Следующий шаг: убрать и это. Агент уже умеет посмотреть на страницу PDF сам, как на картинку, и по тесту видно, что так точнее и дешевле.
Пять документов не исследование, и авторы сами пишут, что результат относится к их файлам. Но направление понятное: связка «распознать, потом прочитать» была нужна, пока нейросети не видели картинок.
Вы ещё держите отдельный OCR перед нейросетью или уже отдаёте ей сам файл?
Тот же скан через OCR
Модели, которая не умеет смотреть на файлы (взяли DeepSeek V4.1 Flash), PDF сначала распознавали. С платным распознаванием она ошиблась в двух ячейках: оставила сноски, которые просили убрать. Тысяча страниц обошлась в 250 рублей против 62 у GPT-6 Luna, документ обрабатывался 25 секунд против 10. Распознавание само стоит 2 доллара за тысячу страниц и прибавляется к каждому запросу, поэтому дешёвая модель за ним перестаёт быть дешёвой.
С бесплатным конвертером, который достаёт из PDF только текстовый слой, вышло хуже: 434 ячейки из 644. В сканах текстового слоя нет, и обе таблицы вернулись пустыми. Сервер при этом ответил, что запрос выполнен успешно.
У нас отдельный шаг тоже мешал
Я разработчик, у нас агент каждый день получает от клиентов счета и прайсы в PDF. Раньше каждую запрошенную страницу мы отправляли на распознавание, даже цифровую. Счёт на три тысячи знаков на странице уходил туда на две минуты и возвращался обрезанным и с ошибками, хотя тот же текст лежал в самом файле и читался за пятидесятую долю секунды.
Теперь текст берём из файла, а распознаём только сканы. Следующий шаг: убрать и это. Агент уже умеет посмотреть на страницу PDF сам, как на картинку, и по тесту видно, что так точнее и дешевле.
Пять документов не исследование, и авторы сами пишут, что результат относится к их файлам. Но направление понятное: связка «распознать, потом прочитать» была нужна, пока нейросети не видели картинок.
Вы ещё держите отдельный OCR перед нейросетью или уже отдаёте ей сам файл?