shadcn-admin 是基于 Shadcn 和 Vite 的管理仪表板，支持亮/暗模式和响应式设计。MinerU 是开源的数据提取工具，支持多种文件格式。opentelemetry-cpp 是 C++ 的 OpenTelemetry 客户端，支持日志和追踪功能。extensions 是 Zed 编辑器的扩展集合，BricksLLM 是企业级 API 网关。

Snow Shot 是一款社区共同开发的开源截图工具，支持智能框选、滚动截图、OCR、AI 翻译和图片转 Markdown 等功能。该工具无会员制，截图永久免费，翻译和 AI 功能按量收费。作者回应了 OCR 采用离线 PaddleOCR、开源协议将改为双协议、未来支持自定义 API 配置等问题，并讨论了功能定位与用户反馈。

XPhoneUse 是一款类似 Scrcpy 的手机镜像工具，并配有 Skill，可让 Codex、Claude 等 AI Agent 通过 adb 和无障碍树操作真实安卓手机。作者用 DeepSeek 模型测试，AI 成功数 App、查多邻国连胜、发微信、完成日语课，连胜从 1659 增至 1660。AI 自述称微信无障碍树为空时曾失明，遂自写 OCR 工具；它坚持看不清就停、不碰用户社交与奖励、听力题承认做不到，并修复了 shell 与坐标 bug。

Jerry Liu 开源 DocJev，将 PDF 分类与拆分分为两步：先用本地 LiteParse 免费 OCR 提取文字，再由 TypeSafe Jev 引擎按 YAML 规则决策。15 页公文包 138 毫秒完成分类，比 GPT-5.6 Luna 快约 6 倍且成本更低。40 份公文分类全部正确，8 个公文包拆分正确 7 个。支持导出独立 PDF，需 Python 3.11 及 API 密钥。

文章以发票报销工具的三次演进为例，分析AI Agent调用外部系统时的分布式系统问题：第一阶段LLM仅作OCR纯函数，分类靠人工；第二阶段引入Agent自动分类并保留人工确认；第三阶段通过Skill与MCP让Agent直接调用API，随之出现超时、状态污染、重复创建等问题，需用幂等键、状态持久化和先查后做等工程手段约束。

研究比较11种票据抽取系统，发现微调开源视觉语言模型在合成支票上F1超0.98，无需都用最大模型。选型应依据版式稳定性与错误代价：固定模板可用OCR加规则，版式多变再用VLM，样本多且字段稳定才值得微调。建议用真实文档分层测试，按字段设阈值，低置信度转人工，并保留规则基线和回归集。

Y Combinator孵化的Firecrawl团队发布开源OCR工具OCR It，可在20毫秒内将PDF文字转为Markdown，速度比Docling快300倍，支持离线使用。作为浏览器插件，用户可框选区域后手动或自动识别整份文档。但复杂版式（如表格、公式）处理能力有限，仍有提升空间。

DeepSeek推出多模态模型DeepSeek-V4-Flash-Vision-Exp，图片最多占384个Token，通过三级压缩技术大幅降低成本。模型侧重OCR和图像描述，非人脸识别，故认错人属设计初衷问题。API成本可预测，推理快，多模态能力接近Opus-4.8，体现低价高效理念。

Firecrawl 开源了 PDF Inspector 和 AnyDoc 两个项目，用于将 PDF、Word、Excel 等文档高效转换为 AI 可读的 Markdown。PDF Inspector 用 Rust 编写，智能分析 PDF 结构，区分文本和图片，仅对扫描页使用本地 OCR（PP-OCRv6），降低成本。AnyDoc 支持多种格式，统一表格、标题等输出结构，并支持 AI 操作，纯本地运行，无需 API，提升 AI 处理文档的效率和准确性。

中国AI开源模型引发全球关注。月之暗面发布Kimi K3登顶Hugging Face趋势榜，百度Unlimited OCR五天内GitHub Star破万，获图灵奖得主转发，一个月后重回榜首。其创新R-SWA机制解决长文档解析痛点，控制KV Cache规模，提升效率。中国AI开源从“发布即关注”迈向“持续被采用”，展现全球影响力。

随着大模型的发展，OCR技术成为连接视觉数据与智能应用的重要工具。新一代多模态模型整合了文字识别和信息抽取等功能，推动了OCR在科研、金融和医疗等领域的应用。本文介绍了五款开源OCR模型，包括Unlimited-OCR、Chandra-ocr-2、dots.mocr、Qianfan-OCR和FireRed-OCR，适用于文档解析和手写文字处理等场景，帮助开发者选择合适的解决方案。

本文介绍了如何使用JavaScript构建基于浏览器的PDF OCR文本转换器。该工具允许用户上传PDF文件，预览页面，配置OCR设置，提取文本并导出结果。OCR技术能够识别扫描图像中的文本并将其转换为可编辑的数字文本，确保用户隐私和安全。通过优化图像质量和选择合适的OCR语言，可以提高识别准确性。

近年来，OCR 技术已从简单的文字识别发展为完整的文档理解。新一代 DeepSeek OCR 模型通过引入大语言模型，提升了识别准确率和复杂版面解析能力。百度的 Unlimited OCR 解决了传统 OCR 的效率低和上下文割裂问题，采用 R-SWA 机制，降低计算成本，支持长文档的高效处理，并可扩展至其他任务。

百度推出的Unlimited OCR模型在长文档处理上刷新了SOTA，采用参考滑动窗口注意力机制，模拟人类阅读方式，解决了传统OCR的显存膨胀问题。该模型在OmniDocBench上表现优异，推理效率提升35%，并计划扩展到语音识别和机器翻译等任务。

PDF仍是商业中常用的文档格式，但数据提取困难且易出错。Python成为自动化PDF数据提取的有效工具，开发者可以利用其库提取文本和表格，并处理扫描文档。文章探讨了如何使用Python进行PDF数据提取，包括环境设置、文本和表格提取、OCR处理等，强调了自动化在提高效率和减少错误方面的重要性。

NVIDIA 最近推出了视觉语言定位模型LocateAnything-3B，拥有30亿参数，支持多种视觉定位任务。其核心创新为并行框解码（PBD），显著提升了定位精度和解码速度，尤其在复杂场景下表现优异，推动了视觉定位技术的发展。