# GOT-OCR2.0 – 开源的端到端OCR模型，多语言多模态识别，多样化输入输出

- Link: https://paooo.com/aigc-news/26710/
- Published: 2026-07-09T10:58:26+08:00
- Author: 站外新闻

## GOT-OCR2.0是什么

GOT-OCR 2.0是一种先进的光学字符识别（OCR）模型，推动OCR技术进入2.0时代。GOT-OCR 
2.0端到端的模型由高压缩编码器和长上下文解码器组成，能处理包括文本、数学公式、分子式、
图表、乐谱和几何图形在内的多种光学字符。GOT-OCR 2.0支持多种语言，尤其是中文和英文，
能输出多种格式化结果，如Markdown和LaTeX。模型具备交互式OCR功能，包括区域级识别和
动态分辨率策略、多页OCR技术，适用于高分辨率图像和批量文档处理。GOT-OCR 2.0具有580M
参数，模型尺寸为1.43GB，提供精准、高效的OCR解决方案。

阅读目录

 * [GOT-OCR2.0是什么](https://paooo.com/aigc-news/26710/#gotocr20%e6%98%af%e4%bb%80%e4%b9%88)
 * [GOT-OCR2.0的主要功能](https://paooo.com/aigc-news/26710/#gotocr20%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [GOT-OCR2.0的技术原理](https://paooo.com/aigc-news/26710/#gotocr20%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [GOT-OCR2.0的项目地址](https://paooo.com/aigc-news/26710/#gotocr20%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [GOT-OCR2.0的应用场景](https://paooo.com/aigc-news/26710/#gotocr20%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![GOT-OCR 2.0](https://paooo.com/wp-content/uploads/2026/07/GOT-OCR-2.0-website-
1-1.avif)

## GOT-OCR2.0的主要功能

 * **多语言和多模态识别**：支持多种语言的文本识别，包括中文和英文，及手写体和印刷
   体。
 * **多样化输入输出**：能处理照片、文档、切片等多种输入格式，支持纯文本、Markdown、
   TikZ、SMILES、Kern等输出格式。
 * **长文本处理**：解码器支持长达8K的token，适用于处理学术论文、法律文件等长文本
   资料。
 * **交互式OCR功能**：通过坐标或颜色引导的区域级识别，提供更灵活的用户体验。
 * **动态分辨率策略**：适应超高分辨率图像，如大幅海报或拼接PDF页面，保持识别准确
   性。
 * **多页OCR技术**：批量处理多页文档，提高长篇PDF文件或多图片文档的处理效率。

## GOT-OCR2.0的技术原理

 * **编码器-解码器架构**：
    - **编码器**：负责将输入的图像压缩成一系列的图像token，token捕捉图像中的视觉
      信息。
    - **解码器**：接收编码器输出的图像token，转换为文本输出。解码器支持长上下文，
      能处理长文本。
 * **高压缩率编码器**：编码器将1024×1024像素的图像压缩成256×1024尺寸的图像token，
   有助于处理高分辨率图像。
 * **长上下文解码器**：解码器支持长达8K的token序列，能处理包含大量文本的长文档。
 * **多阶段训练策略**：
    - **预训练阶段**：编码器在大量文本数据上进行预训练，学习文本的视觉表示。
    - **联合训练阶段**：编码器与新的解码器一起训练，适应更广泛的OCR任务。
    - **后训练阶段**：对解码器进行进一步训练，支持细粒度OCR、动态分辨率和多页OCR
      等高级功能。

## GOT-OCR2.0的项目地址

 * **GitHub仓库**：[https://github.com/Ucas-HaoranWei/GOT-OCR2.0](https://github.com/Ucas-HaoranWei/GOT-OCR2.0)
 * **HuggingFace模型库**：[https://huggingface.co/stepfun-ai/GOT-OCR2_0](https://huggingface.co/stepfun-ai/GOT-OCR2_0)
 * **arXiv技术论文**：[https://arxiv.org/pdf/2409.01704](https://arxiv.org/pdf/2409.01704)

## GOT-OCR2.0的应用场景

 * **文档数字化**：纸质文档（如书籍、手稿、法律文件、学术论文等）转换为电子格式，
   便于存储、检索和编辑。
 * **场景文本识别**：在自然场景中识别和提取文本，如街道标志、广告牌、菜单等。
 * **票据处理**：自动识别和提取发票、收据、账单上的文本信息，简化财务和会计流程。
 * **身份验证和安全**：在需要验证个人身份的场景中，如银行业务、机场安检等，识别护照、
   身份证或驾驶执照上的信息。
 * **物流和运输**：自动识别包裹上的条形码和地址信息，提高物流分拣和配送的效率。
 * **医疗记录管理**：识别和数字化医生的手写处方、病历记录和其他医疗文档。

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,000+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[⚡ AIGC 早报生成器](https://paooo.com/mtool/)