OCR 服务看着都差不多:官网写「识别准确率 99%」,接进来却发现不对劲。差距不在宣传语,在于你有没有拿自己的数据问对问题。这篇是一份接入前的自查攻略,六个问题按顺序过一遍,能避掉大部分选型翻车。
一问:99% 是什么口径的 99%
「字符级准确率 99%」听起来很高危不起,但按一张单据 200 个字符算,0.99^200≈13%——整张全对的概率只有一成多。选型的正确指标是字段级准确率:你最关心的那些字段(金额、编号、日期)整字段正确的比例。拿 200 张真实样本,人工标出目标字段,逐服务统计「字段全对」的比例,这个数才直接对应你的返工量。
二问:版面能力覆不覆盖你的实际形态
拿通用文档去测,各家都很能打;把你的真实场景摆进去再测:倾斜的、多栏的、盖章压字的、表格嵌套的、照片斜拍的。版面能力是选型里最容易被供应商演示样本掩盖的一项——一定要用自己的原始素材,包括那些「最丑的」样本,丑样本的表现才决定你人工兜底的工作量。
三问:异常输入给什么行为
空文件、0KB 占位、格式伪装的 jpg(其实是文本)、超大分辨率、纯图无字页——这些异常形态是生产环境的常客。好服务的特征是失败有明确信号(错误码、空结果+低置信度),坏服务的特征是静默:给你一个看起来正常的空字符串。选型测试里专门留一组异常用例,看谁在裸奔。
四问:置信度分数能不能用
前面问了那么多,能不能自动化兜底全看置信度。三个检查点:有没有逐字符/逐字段的置信度(只有整图分数没法分层);分数稳不稳定(同一张图重复请求分数的波动幅度);分数和实测错误率对不对得上(分箱统计一下,高分段是不是真的错得少)。第三条不达标,置信度就只能当摆设,人审队列省不下来。
五问:集成与运维成本
接口形态(同步/异步、回调是否可靠)、SDK 语言覆盖、重试语义是否幂等(重提交会不会产生双份结果)、结果里带不带坐标(不带坐标,后面做结构化抽取等于从零开始)。这些不花钱的项目,才是天天要付的运营成本。
六问:演进空间
业务量涨十倍后你的需求会变:要私有化吗?要针对自有版式做专项优化吗?要数据回流闭环吗?选型时问一句服务的版本化与专项化能力——支持模板定制和管理端沉淀的服务,后面每一步都有抓手;只有一个通用接口的服务,走到量级拐点就要整体迁移。
收尾
六个问题不需要都得到满分——按你的业务形态排序权重:以单据为主的,字段准确率和版面能力权重最高;做档案数字化的,置信度语义和演进空间权重最高。但有一个共同纪律:所有测试都要用自己的真实样本。拿别人的演示数据选出来的型,翻车时连个退路都没有。