5月8日，英伟达开源了其OCR（Open Code Reasoning）代码推理AI模型套装，包含32B、14B和7B三种参数规模，均采用Apache 2.0许可证发布，并可在Hugging Face平台下载。OCR模型基于Nemotron架构训练，专为多语言、多任务优化。其中，32B模型适用于高性能场景，14B模型平衡性能与资源消耗，7B模型则适合资源受限环境。32B模型还推出指令微调版本，兼容多种主流框架。在LiveCodeBench基准测试中，OCR模型全面超越OpenAI的o3-Mini和o1(low)模型，展现了强大的代码推理能力。该成果得益于英伟达定制的高质量OCR数据集，聚焦指令遵循、推理及多步骤问题解决能力。

欧洲初创公司 Mistral AI 发布了名为 Mistral OCR 的新产品，号称“全世界最好的 OCR”，能有效整理复杂文件以便 AI 识别。此产品引发热议，有人赞赏其能力，但也有人认为定价过高，并期待中国推出免费开源版本。实际体验中，部分用户发现手写内容识别准确率较低，还有人因语言支持问题感...

Mistral AI于3月6日推出了Mistral OCR API，宣称其在光学字符识别领域最快最准。该API能处理复杂文档，包括PDF、幻灯片及学术文档，支持数千种脚本、字体和语言。识别结果以Markdown形式呈现。据Mistral AI称，该模型在多项测试中超越了谷歌Document AI、微软Azure OCR及OpenAI GPT-4等竞争对手。定价为每千页1美元，单节点每分钟可处理2000页。此技术已应用于历史文化遗产保护等领域。

通用端到端OCR模型GOT开源，挑战多模态大模型的优越性。Vary团队通过实验展示了GOT在多种场景下的强大能力，包括PDF图像转Markdown、双栏文本感知、自然场景及细粒度OCR、动态分辨率OCR和多页OCR等。 虽然GOT表现优秀，但仍存在局限性，如多语言支持、复杂几何图形和图表上的OCR性...