主要观点：在使 AI 系统更擅长从文档中查找和使用信息时，文本提取质量至关重要，OCR 质量会影响检索增强生成（RAG）系统，特别是处理扫描文档和 PDF 时。介绍了 OCR 的现状及挑战，如复杂布局、质量差异、语言和字体多样性等，OCR 错误会在 RAG 中产生级联效应，导致检索失败和生成幻觉。提出用 SmolDocling 这一超紧凑的视觉语言模型作为现代解决方案，它能直接将文档图像处理为结构化输出，避免传统 OCR 问题，提高 RAG 性能，还介绍了其架构、DocTags 等关键创新及在 RAG 管道中的实施考虑，最后强调了多模态未来的趋势和实践建议。
关键信息：

• OHRBench 研究表明当前 OCR 解决方案不适用于构建 RAG 系统的高质量知识库。
• 现代 OCR 虽有进步但仍存在高错误率等问题。
• OCR 错误会在 RAG 管道中产生多米诺效应，影响性能。
• SmolDocling 采用独特架构，直接处理文档图像为结构化输出，保留文档结构。
• DocTags 是专门的标记格式，能精确标识元素位置和结构。
• SmolDocling 在多个方面优于传统 OCR，如准确性、内存使用等。
• 实施 SmolDocling 时要注重数据准备，其能带来显著的 RAG 质量提升。
  重要细节：
• 如 Tesseract 等 OCR 工具在不同文档类型和场景下的表现差异。
• OCR 中的两种主要噪声类型 Semantic Noise 和 Formatting Noise。
• SmolDocling 模型各组成部分的参数及功能。
• 传统 OCR 与 SmolDocling 在数据处理方式上的对比，如传统 OCR 产生混乱文本，SmolDocling 保留语义结构。
• 实际应用中何时使用 SmolDocling 及传统 OCR 的考虑因素。
• 质量监控和用户反馈机制的重要性。