多语种 OCR 中视觉语言模型（VLM）相比传统引擎有何突破？

1. 从字符识别到文档理解

传统 OCR 引擎输出的是原始文本，丢失了版面、表格、公式等结构信息。视觉语言模型则能够输出带边界框、带块分类（标题、段落、表格、公式、签名等）和逐区域置信度的结构化表示，使 OCR 结果可直接用于 RAG 语义分块、智能体处理等下游任务。

2. 复杂元素识别能力增强

VLM 在图表、手写体、低质量扫描件等传统引擎的薄弱环节表现更优，同时保持与印刷体相当甚至更优的识别精度。新一代文档解析模型在权威文档解析基准上已达到较高准确率，并支持表格、公式、图表等复杂元素的识别。

3. 多语种覆盖与低资源语言优势

VLM 具备开箱即用的多语言理解能力，单一模型即可覆盖上百种语言，并在低资源语言上相较传统引擎展现出更明显的优势，减少了为每种语言单独训练模型的成本。