OpenRouter 实测最佳 OCR 模型：Claude Opus 5.5 最准，Mistral OCR 性价比最高

把扫描文档变成可靠的文本并不容易。Tesseract 这类经典 OCR 引擎遇到褪色印刷、手写和传真件就会失灵。视觉模型读这类页面读得不错，但有时会写出页面上根本没有的数值。我们用自己写的文字做了八张测试页，这样每个字符都能核对，然后把它们交给 OpenRouter 上的 15 个视觉模型和 Mistral OCR，再加上 Tesseract 跑了一遍。

测试中准确率最高的 OCR 模型是 Claude Opus 5.5，264 个关键值对了 262 个，每 1,000 页花费 $16.42。性价比最高的是 Mistral OCR：264 个对了 258 个，花费 $2.02。本文展示测试结果、需要警惕的错误，以及用来捕捉这些错误的代码。

这些结果只是一个起点。我们的八张页面不是你的文档，所以想知道哪个模型最适合你的工作流，唯一可靠的办法是拿候选模型在你自己的扫描件上测一遍。

要点速览

• 最准确：anthropic/claude-opus-5.5。性价比最高：mistral-ocr。便宜又好用的选择：关闭推理的 inclusionai/ling-3.0-flash-vl，264 个关键值对了 254 个，每 1,000 页 $0.04。
• 在一张褪色收据上，GPT-6 Luna 和 GPT-6.1 Sol 编造了卡号数字、wifi 密码和服务器名。错误率反映不出这类问题，所以要检查你实际会用到的那些值。
• 关闭推理后，我们测试的五个模型里有四个变得更快、更便宜，关键值一个没丢。
• 把来自不同实验室的两个便宜模型意见不一致的词标出来，能抓住 35 个错词中的 34 个，每 1,000 页花费 $0.62。

我们怎么测的

我们把每页从已知文本渲染出来，再像扫描件那样劣化：轻微旋转、模糊、噪点和 JPEG 压缩。五页是普通内容：一张收据、一封故意写错两个词的信、一张勾了选框的表格、一份双栏通讯和一张工整的手写便条。另外三页是刻意做难的：一张褪色的热敏收据、一段快速潦草的手写，以及一份低分辨率传真，上面有 12 个用形近字符（0/O、1/I/L、5/S、8/B）拼成的序列号，让模型没法靠上下文猜出来。

我们用两种方式给每份转录打分。字符错误率（CER）是到正确文本的编辑距离除以文本长度，不计换行和 Markdown。关键值是流水线会用到的 88 个字符串，每页 10 到 15 个，比如总额、日期、卡号数字、序列号和拼错的词。每个值必须在三次运行中每次都完全一致，这样每个模型共 264 项检查。成本是每次请求实际计费的 usage.cost。模型来自 2026 年 10 月 8 日的 OpenRouter 目录。

哪个 OCR 模型在扫描文档上最准确？

表格按关键值正确数排序。

在五张普通页面上，每个视觉模型的 CER 都低于 0.3%，15 个模型全都完美转录了那张工整的手写便条。差距主要来自那张褪色收据。Opus 5.5 和 Mistral OCR 在这张页面上 33 项检查全对，而 GPT-6 Luna 只对了 16 项。各模型计算图像 token 的方式不同（中位页面 DeepSeek 是 1,070 个提示词 token，Grok 是 3,314 个），所以成本要在你自己的页面上测。

哪个 OCR 模型适合你的工作

视觉模型读取难处理的扫描件时，会出什么问题？

最严重的错误是看似合理、但页面上根本不存在的值。下面是褪色收据底部的实际打印内容，后面是一次 GPT-6 Luna 的运行结果：

CONTACTLESS 32.95
CARD ****9026
SERVED BY: PRIYA
WIFI: verdigris-guest / tide2026

NET                                 27.46

CONTACTLESS
CARD **** 9027

SERVED BY: SHEVA
WIFI: verdigris_guest / 1freecoffee

收据上没有 NET 这一行。卡号以 9026 结尾，姓名和密码都是编造的。GPT-6 Luna 在三次运行中都改掉了服务器名称和年份。GPT-6.1 Sol 每次运行都编出不同的密码（flatwhite24、flat9am!、flatleaf）。我们还要求模型在不确定时写 [?] 而不是猜测。这没有用：七个模型中有四个从未使用过这个标记。

其他反复出现的错误：

• O 和 0：15 个模型中有 13 个至少在一次运行中把两个传真序列号读错。只有 Claude Sonnet 5.5 和 GPT-6.1 Sol 每次都读对了。
• 拼写“纠正”：信件署名是“Senior Assosiate”，提示词要求逐字照抄拼写。45 份转录中仍有 16 份把它“纠正”了。
• 勾选框：Claude Sonnet 5.5 和 Haiku 5.5 抄下了表单的复选框标签，却漏掉了哪个框被勾选。

第 1 步：把扫描件发给视觉模型

视觉模型生成转录文本的方式，和语言模型生成任何文本一样，所以它倾向于写出文本通常该有的样子，而不是页面上实际印的内容。提示词要求它逐字照抄。这能减轻问题，但不能消除：45 份转录中仍有 16 份“纠正”了信件里故意写错的拼写。你需要在 OPENROUTER_API_KEY 中填入 OpenRouter API key。图片以 base64 的 image_url 部分传入（参见 image inputs），因此 OpenRouter 上每个视觉模型都接受同样的请求。把它保存为 transcribe.py，因为第 3 步和第 4 步要从它导入：

import base64
import mimetypes
import os

import requests

API = "https://openrouter.ai/api/v1/chat/completions"
HEADERS = {"Authorization": f"Bearer {os.environ['OPENROUTER_API_KEY']}"}
PROMPT = ("Transcribe all of the text in this scanned document, in reading order. "
          "Copy spelling, numbers and punctuation exactly as they appear, even if they "
          "look wrong. Return plain text only, with no Markdown and no commentary.")


def transcribe(path, model="deepseek/deepseek-v4.1-flash", reasoning={"effort": "none"}):
    mime = mimetypes.guess_type(path)[0] or "image/jpeg"
    with open(path, "rb") as f:
        image = f"data:{mime};base64," + base64.b64encode(f.read()).decode()
    body = {
        "model": model,
        "max_tokens": 16000,
        "messages": [{"role": "user", "content": [
            {"type": "text", "text": PROMPT},
            {"type": "image_url", "image_url": {"url": image}},
        ]}],
    }
    if reasoning:
        body["reasoning"] = reasoning
    response = requests.post(API, headers=HEADERS, json=body, timeout=300)
    response.raise_for_status()
    data = response.json()
    choice = data["choices"][0]
    if choice["finish_reason"] != "stop":
        raise ValueError(f"finish_reason={choice['finish_reason']}: the transcript is incomplete")
    return choice["message"]["content"], data["usage"]["cost"]


if __name__ == "__main__":
    text, cost = transcribe("receipt.jpg")
    print(text)
    print(f"\n${cost:.5f}")

HARBOR LANE MARKET
1180 Harbor Lane, Unit 4
Portland OR 97209
Tel (503) 555-0148
...
TOTAL 62.86
VISA ****4471 62.86
AUTH 08813C
...

$0.00022

每个字符都正确返回，成本约百分之二美分。数据 URL 的类型取自文件扩展名，所以 PNG 和 WebP 扫描件也能用。要比较模型，只需改 model 字符串；对第 2 步中无法关闭推理的模型，传入 reasoning=None。

加 finish_reason 检查是因为推理 token 也计入 max_tokens。在 4,000 的上限下，Gemini 3.8 Flash 每次运行都花 3,841 个 token 推理那份传真，结果在序列号 4 处中途停止。请求仍然返回了带 finish_reason: "length" 的 200 OK，所以没有这项检查，流水线会在不知不觉中存下不完整的转录。

第 2 步：转录时关闭推理

当模型需要规划答案时，推理有帮助。从页面上抄文本不需要规划，所以额外的 token 大多只会增加成本和时间。这就是 transcribe 默认发送 "reasoning": {"effort": "none"} 的原因（参见 reasoning tokens）。我们对所有允许关闭推理的模型，在关闭推理的情况下重跑了完整测试：

开启推理时，一次 Mistral Large 4 请求推理了 626 秒，却没有返回任何文本（finish_reason: "error"）。Qwen3.8 27B 开启推理后表现更好，所以请用你自己的页面测试。Gemini 3.8 Flash、Grok 4.7 和 GLM 5.3 FlashX 不允许关闭推理，因此传入 reasoning=None 以省略该字段。否则请求会失败并报错：

400 {"error":{"message":"Reasoning is mandatory for this endpoint and cannot be disabled.","code":400,"metadata":{"provider_name":null}}}

第 3 步：交叉核对来自不同实验室的两个模型

模糊图像里，O 和 0 这类形近字符很难分辨。每个模型都按自己训练出的判断来识别，所以不同实验室的两个模型很少会犯同样的错误。它们转录结果不一致的地方，通常就是图像不清楚的地方。我们把六个模型两两组合全部测了一遍。表现最好的是 Claude Haiku 5.5，由 DeepSeek V4.1 Flash 负责校验。Haiku 在 2,964 个词里错了 35 个，DeepSeek 按第 2 步那样关闭推理，在其中 34 处给出了不同结果，另有 10 次误报。这一组合每 1,000 页花费 $0.62，是 Mistral OCR 的三分之一。两者用的是同一个 API，所以校验只需多一次调用。调用 Haiku 时用的是 reasoning=None，因为它在我们的表格里就是这么跑的：

import difflib

from transcribe import transcribe  # the function from step 1

a, _ = transcribe("fax.jpg", model="anthropic/claude-haiku-5.5", reasoning=None)
b, _ = transcribe("fax.jpg", model="deepseek/deepseek-v4.1-flash")
a, b = a.split(), b.split()
for tag, i1, i2, j1, j2 in difflib.SequenceMatcher(None, a, b, autojunk=False).get_opcodes():
    if tag != "equal":
        print("check:", " ".join(a[i1:i2]), "vs", " ".join(b[j1:j2]))

check: 8LI5-QS0B5O vs 8LI5-QS0B50
check: 30HY-1OHLG7 vs 30HY-10HLG7

这两个序列号是大多数模型都读错的地方。如果两个模型以同样的方式误读同一个字符，就不会被标记出来。我们的测试中发生过一次：两个模型都把 O 读成了零，所以只要条件允许，最好用清单或校验和来验证 ID。这种比对还假设两个模型按相同顺序读取页面。三次运行中有一次，两个模型对传真两栏的排列顺序不同，结果每个序列号都被标成了不一致。

第 4 步：把 Mistral OCR 当作专用引擎

Mistral OCR 是专门为文档 OCR 训练的模型。在 OpenRouter 上，它以 file-parser 插件中的引擎形式运行，接受 PDF，每 1,000 页收费 $2。插件会在你的模型看到文件之前先做 OCR。它把文本作为文件注释附在响应里返回，所以你指定的模型只需负责回复。把扫描件包进一页的 PDF，再配任意便宜的模型发送即可：

import base64
import html
import io
import os

import requests
from PIL import Image, ImageSequence

from transcribe import API, HEADERS  # from step 1


def mistral_ocr(path):
    if path.lower().endswith(".pdf"):  # scanned PDFs go as they are
        with open(path, "rb") as f:
            raw = f.read()
    else:  # wrap an image in a PDF in memory, one page per frame of a multipage TIFF
        pages = [p.convert("RGB") for p in ImageSequence.Iterator(Image.open(path))]
        buf = io.BytesIO()
        pages[0].save(buf, "PDF", save_all=True, append_images=pages[1:])
        raw = buf.getvalue()
    pdf = "data:application/pdf;base64," + base64.b64encode(raw).decode()
    pdf_name = os.path.splitext(os.path.basename(path))[0] + ".pdf"
    body = {
        "model": "upstage/solar-mini4",  # any cheap text model; it only has to reply
        "max_tokens": 5,
        "messages": [{"role": "user", "content": [
            {"type": "text", "text": "Reply OK."},
            {"type": "file", "file": {"filename": pdf_name, "file_data": pdf}},
        ]}],
        "plugins": [{"id": "file-parser", "pdf": {"engine": "mistral-ocr"}}],
    }
    response = requests.post(API, headers=HEADERS, json=body, timeout=300)
    response.raise_for_status()
    data = response.json()
    parts = data["choices"][0]["message"]["annotations"][0]["file"]["content"]
    texts = [p["text"] for p in parts if p.get("type") == "text"]  # skip extracted image parts
    text = "\n".join(t for t in texts if not t.startswith(("<file", "</file")))
    return html.unescape(text), data["usage"]["cost"]


text, cost = mistral_ocr("receipt_faded.jpg")
print(text)
print(f"\n${cost:.5f}")

CAFE VERDIGRIS
22 Quayside Row
Bristol BS1 4QA
VAT No. GB 318 7742 09

27/09/2026 08:17 TILL 2 CHK 0193
...
|  CONTACTLESS | 32.95  |
|  CARD ***9026 |   |

SERVED BY: PRIYA
WIFI: verdigris-guest / tide2026

$0.00202

那张褪色收据上的每个值都读对了，包括卡号数字和密码。Mistral OCR 的设计目标是保留版面，所以输出是 Markdown：收据行变成表格，标题会带上 ##，& 返回为 &。这也是函数要反转义 HTML 实体的原因。需要纯文本就剥掉 Markdown，如果接下来由 LLM 读取结果，就保留它。

做 OCR，LLM 比 Tesseract 更好吗？

是的，但干净的打印页面除外。Tesseract 5.5 逐行识别字符形状，所以在清晰的印刷体上表现稳定，遇到噪点和手写就撑不住。它把那封信和那份简报转录得完美无缺。面对褪色收据它什么都没返回，杂乱手写 11 个值里只读出 1 个，传真 15 个值里读出 4 个。

常见问题

做 OCR 用哪个 LLM 最好？

在我们的测试中是 Claude Opus 5.5。Gemini 3.8 Flash 和 Grok 4.7 的错误率几乎一样低，但漏掉的序列号更多。DeepSeek V4.1 Flash 和 Ling 3.0 Flash VL 表现接近，每 1,000 页不到 $0.20。

怎么对扫描版 PDF 做 OCR？

按第 4 步用 mistral-ocr 引擎发送。另一种办法是把每页渲染成图像交给视觉模型，或者把 PDF 直接发给能读 PDF 的模型。免费的文本解析器对扫描件没用，因为扫描件没有文本层。

最准确的 OCR 模型是哪个？

Claude Opus 5.5 在 264 个关键值中读对 262 个，在我们八份扫描件上的字符错误率为 0.02%。Mistral OCR 以 264 个中读对 258 个位居第二，成本只有八分之一。

用 LLM 做 OCR 要花多少钱？

在我们的测试中，从每 1,000 页 $0.04（Ling 3.0 Flash VL，关闭推理）到 $16.42（Claude Opus 5.5）不等。Mistral OCR 每 1,000 页收费 $2。各模型计算图像 token 的方式不同，所以成本要拿你自己的页面来测。

Mistral OCR 比视觉模型更好吗？

它是我们测试中性价比最高的：每 1000 页 2.02 美元，264 个关键值中识别对了 258 个，仅次于 Claude Opus 5.5。它返回的 Markdown 能保留版面布局，而视觉模型则按你要求的格式返回结果。

大语言模型能识别手写体吗？

能。15 个视觉模型都完美转录了我们工整的笔记。面对潦草的手写，大多数模型的字符准确率仍在 99% 以上，出错的主要是人名（把“Achterberg”认成了“Ackterberg”）。

下一步

• 图像输入介绍了如何通过 URL 或 base64 发送图像，我们的视觉 API 指南则讲解了细节级别。
• PDF 输入列出了各种 PDF 引擎，并说明了如何复用解析结果。
• 视觉模型合集列出了所有支持图像输入的模型。
• 如果想把手写转录结果转成带类型的字段，请参阅结构化输出。