cdcailf/cjkfold

PaddleOCR 3.5：使用 Transformers 后端运行 OCR 与文档解析任务

PaddleOCR 3.5: Running OCR and Document Parsing Tasks with a Transformers Backend

PaddlePaddle 团队的文章，介绍 PaddleOCR 3.5 版本使支持的 PaddleOCR 模型可通过 Hugging Face Transformers 作为推理后端运行，设置 engine="transformers" 即可。PaddleOCR 继续提供 PP-OCRv5 等 OCR 模型系列和 PaddleOCR-VL 1.5 等文档解析模型系列；新版本引入更灵活的推理引擎接口，通过 engine 参数选择后端、通过 engine_config 传入后端专属选项，任务流水线仍由 PaddleOCR 管理。文中附有 Hugging Face Spaces 上的在线演示。

ChromaDB：Python 中的嵌入与向量数据库

ChromaDB: Embeddings and Vector Databases in Python

Real Python 的教程，作者 Harrison Hoffman，阅读时长约 1 小时 7 分钟，难度标注为高级，配套有 17 课时的相关课程。内容涵盖向量基础与相似度、词嵌入与文本嵌入、ChromaDB 这一开源向量数据库的入门、向集合添加文档、查询与过滤更新删除，最后以一个给大语言模型提供上下文的实例串联全流程。适合想用 Python 搭建向量检索与 LLM 上下文应用的开发者阅读。

yjid/kensaku

这是一个免费开源的本地文件启动器与搜索工具，支持对文件名、文档、代码和截图内容进行全文、OCR 与语义搜索，并可通过 MCP 供代理访问；所有数据不离开本机。README 称搜索 10 万个文件名约需 1 毫秒、占用约 12 MB 内存。标签包含 Rust、Tauri、Windows、隐私等。适合关注本地优先桌面搜索、希望让 AI 代理检索本机文件的人阅读。

Mistral OCR 4：面向文档智能的 SOTA OCR

Mistral OCR 4 : SOTA OCR for Document Intelligence

这是 Mistral 于 2026 年 6 月 23 日发布的博客，介绍 OCR 4 文档解析模型。该模型在提取文本之外还提供边界框、区块分类和行内置信度分数，支持 170 种语言、可单容器自托管部署，定位于企业搜索、RAG 和智能体工作流的文档摄取，可通过 API 或 Document AI 使用，文中称其在人工评估和基准测试中优于领先的 OCR 系统。

Granite Embedding Multilingual R2：Apache 2.0 开源多语言嵌入模型，32K 上下文，sub-100M 检索质量最佳

Granite Embedding Multilingual R2: Open Apache 2.0 Multilingual Embeddings with 32K Context — Best Sub-100M Retrieval Quality

IBM Granite 团队发布的两个基于 ModernBERT 的 Apache 2.0 多语言嵌入模型介绍：97M 参数紧凑版在 MTEB Multilingual Retrieval 上得分 60.3，311M 完整版得分 65.2（500M 参数以下开源模型中排名第二）并支持 Matryoshka。两者覆盖 200 多种语言、在 52 种语言上调优、支持 32K token 上下文（为 R1 的 64 倍），并新增 9 种编程语言的代码检索。文中还涉及与 R1 的差异、训练过程、基准结果及部署方式等。

讲 OCR 双模型：小解析器出结果，Jev 打分后对低分再纠错

elvis（@omarsar0）在 X 上的帖子，介绍 OpenBMB 与 ModelBest 的 MiniCPM-OCR：一个 1.3B 参数的小型开源文档解析器，支持中英文扫描件、照片、弯曲与倾斜页面及关键信息抽取；第二个模型 MiniCPM-OCR Jev 对提取出的文本、公式和表格给出可靠性评分，也可用于其他 OCR 模型的输出。帖子给出流程示例：解析文档、用 Jev 打分、将低分结果交给人工或纠错步骤，并提到权重开放、支持 llama.cpp、vLLM、SGLang、Ollama 推理及 Agent Skills 集成。适合构建文档处理智能体或 OCR 流水线的人关注或阅读。