凡人小北(@frxiaobei):对个人，是隐私。这两年越来越多人在搭自己的私有化 AI 助理，想用它管钱、管健康。可那些最私密的数据，大多躺在发票、账单、体检报告的 PDF 和照片里，要让 AI 接手，第一步得先把图读成字。这一步能在本地做完、数据不出门，才谈得上真正的私有化。对公司，是成本。尤其面向 C 端、要给海量用户读图的产品，过去 OCR 大多挂在云端，接入的人越多、图越多，账单越厚。现在把识别前置到端侧、甚至用户的浏览器里，省掉的是一笔笔云端调用费、一张张 GPU 账单和高并发的压力。那条一路往上涨的成本曲线，被摁住了。 PP-OCR 这一套，如今也是文心大模型多模态能力的重要组成部分，给文心的视觉理解垫了块底。所以回到开头那个问题。 OCR 的未来，不一定是越来越大的 VLM。把一件确定的事做到极致的小模型，再让它跑在离数据最近的地方，才是真正缺的那块。大模型负责想，可想之前，总得先把眼前这张图看清楚，还最好别把它传出去。

2026.06.16 11:19

对个人，是隐私。这两年越来越多人在搭自己的私有化 AI 助理，想用它管钱、管健康。可那些最私密的数据，大多躺在发票、账单、体检报告的 PDF 和照片里，要让 AI 接手，第一步得先把图读成字。这一步能在本地做完、数据不出门，才谈得上真正的私有化。对公司，是成本。尤其面向 C 端、要给海量用户读图的产品，过去 OCR 大多挂在云端，接入的人越多、图越多，账单越厚。现在把识别前置到端侧、甚至用户的浏览器里，省掉的是一笔笔云端调用费、一张张 GPU 账单和高并发的压力。那条一路往上涨的成本曲线，被摁住了。 PP-OCR 这一套，如今也是文心大模型多模态能力的重要组成部分，给文心的视觉理解垫了块底。所以回到开头那个问题。 OCR 的未来，不一定是越来越大的 VLM。把一件确定的事做到极致的小模型，再让它跑在离数据最近的地方，才是真正缺的那块。大模型负责想，可想之前，总得先把眼前这张图看清楚，还最好别把它传出去。

Forward to community