吴恩达开新课教OCR！用Agent搞定文档提取

你懂OCR吗？2025年之前，可能人人都懂。

但2025年之后，你还认为你真的懂OCR吗？

是的，随着AI大模型研发在架构、记忆、存储等等领域的深水区创新，OCR重新成为了技术专项。DeepSeek在研究、智谱在研究、阿里千问和腾讯混元也都在研究……

那么，怎样才能速成AI时代的OCR呢？

还得是吴恩达老师，火速来了新课程，帮你速通OCR。

在新课程里，直接提出了一个新方案——智能体文档提取（Agent Doc Extraction）。

不仅是OCR技术在Agent时代的进阶，更是一个统一的智能体工作流。

并且这个方法在DocVQA基准测试中的准确率达到了99.15%。

新课上线，不仅手把手教你跑通本地代码，还给出了在AWS上部署的完整线路～

OCR重新成为技术专项

在介绍ADE之前，先来了解一下各大厂近期在OCR技术上的密集更新。

如果把目光放回到2025，就不难发现，吴恩达老师的这门课也是对这一技术深水区回归的及时呼应。

从10月份开始，DeepSeek让这项技术的讨论爆发。

DeepSeek-OCR玩起“视觉压缩一切”，靠专属视觉编码器把万字长文压成百个视觉token，在10倍压缩下仍能保持97%的高准确率，单块A100-40G显卡每天就能处理20万页以上文档。

几乎同一时间，智谱联合清华大学发布了Glyph框架，异曲同工地通过“文本渲染成图”的思路，把超长文本转成紧凑图像，轻松突破上下文窗口限制。

后续到了12月，智谱GLM-4.6V多模态系列正式发布，包含9B与106B参数版本。

前者在低成本本地OCR场景表现突出，支持复杂扫描、笔记与模糊文档；后者凭借128K上下文窗口甚至能跨页理解长税表、合同与科研图谱，把OCR拉向文档理解与知识抽取层面。

实际上，阿里千问10月发布的Qwen3-VL-30B等版本也在OCR领域有重要升级。

11月底的时候，腾讯混元也加入了这一轮集中突破，1B参数的HunyuanOCR开源后迅速受到关注。

虽然参数少，却具备处理表格、结构化文档、多语种内容的能力，运行速度快，易部署，很快成为开源热门。

Agent文档提取新姿势

机器学习大神吴恩达老师显然也意识到了OCR的大热趋势，火速出了一版速通课。

虽然不是教你怎么改进OCR技术，但教你怎么给OCR装上智能体大脑。

首先，课程详细回顾了OCR技术的演进。

从最早的规则时代到现在的智能体时代，每一步更新都是在填传统OCR的坑。

以前用Tesseract，全靠人工写规则；后来有了PaddleOCR，靠深度学习认字儿。

但它们在提取文字时都会把文档“压平”，导致表格结构、图注关系及阅读顺序等关键信息丢失。

这样一来，下游大模型拿到的就都是半成品数据，特别容易出现幻觉。

而课程里的ADE方案，相当于给OCR加了三大支柱，靠「视觉优先」策略看懂文档布局，用「以数据为中心」保证精准，再凭智能体化主动思考。

搭载DPT（文档预训练Transformer）模型后，ADE工作流将文档视为一个整体的视觉对象，去理解其布局和空间关系。

并且，DPT模型在DocVQA基准测试中取得了99.15%的高分，甚至超越人类。

在实战中，ADE也展现出了极强的鲁棒性。

超过1000个单元格的巨型表格、复杂的手写微积分公式，还是带有弯曲印章的证书，甚至是纯图示的安装说明书，它都能精准解析。

在落地层面，ADE引入的视觉接地技术，不仅能提取文字，还为每个数据块分配唯一ID和精确的像素坐标，并能生成局部截图。

这样一来，AI只要一回答某个数据是多少，你一点就能看到原始文件里对应的地方，做到“有图有真相”。

此外，课程还提供了极具实操价值的云端部署指南，教你怎么把这技术用到云端，在AWS上搭个全自动流水线。

把PDF传到S3存储桶，Lambda就会自动进行ADE解析，把结构化的Markdown存好，再让Bedrock知识库建索引，最后靠Strands Agents做成能记事儿、会推理的行业知识助手。

从认清楚像素里的字，到在云端大规模用起来，只能说，这3h的课程，“学不了吃亏，学不了上当”～

课程地址：

https://www.deeplearning.ai/short-courses/document-ai-from-ocr-to-agentic-doc-extraction/

文章来自于微信公众号 “量子位”，作者 “量子位”