Нейросети для распознавания документов: сканы, таблицы, формы

Распознать документ значит решить одну из трех задач. Прочитать символы: классический OCROCR OCR (optical character recognition, оптическое распознавание символов) это технология, которая превращает текст на картинке, скане или фото в обычный текст, который можно копировать и искать. Подробнее в словаре превращает картинку в текст. Сохранить структуру: открытые модели для PDF отдают заголовки, таблицы и порядок колонок. Понять смысл: языковая модельбольшая языковая модель Большая языковая модель (LLM) это нейросеть, обученная на огромном объеме текстов, которая пишет, пересказывает и разбирает текст по запросу. Подробнее в словаре со зрением находит в договоре сумму, срок и стороны и отвечает на вопрос.

Места стоят только у языковых моделей. Arena ведет открытые рейтинги по слепым парным сравнениям пользователей, и Arena Document оценивает анализ документов: пользователь загружает файл, задает вопрос и выбирает один из двух ответов. Первые места в Arena Document на 16 октября 2026 заняли модели Claude. Классические OCR и открытые модели для PDF в этом рейтинге не участвуют, у них в карточке факт из статьи или релиза.

OCR (оптическое распознавание символов) читает буквы на изображении и возвращает текст. Для чистого скана договора или счета этого достаточно, а работает такой движок на обычном процессоре без видеокарты. Термин разобран в словаре: OCR.

Tesseract появился в Hewlett-Packard, код открыли в 2005 году. Версия 5.0.0 вышла 30 ноября 2021 года, а 5.5.3 вышла 24 июля 2026 года. Лицензия Apache 2.0, русский язык поддерживается.

PaddleOCR от Baidu собирает распознавание текста, разметку страницы и таблицы в один набор. По техническому отчету PaddleOCR 3.0 от июля 2025 года модели набора содержат менее 100 млн параметров, поэтому работают на скромном сервере. Лицензия Apache 2.0, русский поддерживается.

Слабое место классики: плохие фото с телефона, таблицы без линий и рукопись. Здесь ошибок больше, и текст приходится проверять человеку.

Новое поколение открытых моделей отдает не просто текст, а документ со структурой: заголовки, списки, таблицы, формулы, правильный порядок колонок. Такой текст сразу годится для поиска по базе знанийбаза знаний для ИИ База знаний для ИИ это отобранные и подготовленные документы компании, по которым ИИ-ассистент ищет ответы: регламенты, инструкции, каталог, ответы на частые вопросы. Подробнее в словаре.

Docling от IBM Research переводит PDF, Word и сканы в структурированный текст под лицензией MIT. На 16 октября 2026 года у репозитория около 69 000 звезд на GitHub и 5 100 форков, русский поддерживается частично.

olmOCR от Allen Institute for AI рассчитан на большие архивы. Версия v0.4.0 от 21 октября 2025 года набрала 82,4 балла в тесте olmOCR-Bench из более чем 7000 проверок на 1400 документах. По оценке разработчика, обработка миллиона страниц на своем оборудовании стоит менее 200 $. Русского в заявленных языках нет.

DeepSeek-OCR сжимает страницу в небольшое число токеновтокен Токен это кусочек текста: слово, часть слова или знак, с которыми работает языковая модель. Подробнее в словаре. По статье DeepSeek, при сжатии менее чем в 10 раз точность распознавания 97%, а одна видеокарта A100-40G обрабатывает больше 200 тыс. страниц в день. Лицензия MIT, данных о русском разработчик не дает, поэтому модель проверяют на своих документах.

Языковая модель читает документ как человек: понимает, где сумма договора, кто стороны, какой срок оплаты, и отвечает на вопрос обычным языком. Это уже не распознавание, а разбор документа, и для потока заявок, счетов и договоров он ценнее голого текста.

Места кандидатов в Arena Document: Gemini, 20 место в Arena Document на 16 октября 2026; Qwen, 30 место в Arena Document на 16 октября 2026. Версии моделей указаны в карточках. Gemini и Claude официально не поддерживают Россию.

Для документов с персональными данными путь один: открытая модель на своем сервере. У Qwen часть моделей открыта: в августе 2026 года Alibaba открыла веса Qwen3.8 на 2,4 трлн параметров. Модели поменьше из того же семейства запускают на одном сервере.

Облачный вариант без языковой модели дает Mistral OCR: 23 июня 2026 года вышла версия Mistral OCR 4 с поддержкой 170 языков. API стоит 4 $ за 1000 страниц и 2 $ в пакетном режиме. Официальных данных о работе с Россией нет.

Таблицы ломают классический OCR чаще всего: строки съезжают, объединенные ячейки теряются. Docling, PaddleOCR и olmOCR восстанавливают таблицу как таблицу, а языковая модель извлекает из нее нужные поля по описанию.

Рукопись открытые OCR читают плохо. Для анкет и заявлений, заполненных от руки, проверьте языковую модель со зрением на 50 своих бланках и посчитайте, сколько полей пришлось править. Без такого теста обещания точности на рукописи не стоят ничего.

Печати и подписи модель находит на странице и отмечает, есть они или нет. Подлинность подписи нейросеть не подтверждает: для юридической проверки нужен человек или электронная подпись.

Порядок проверки для любого типа документа: собрать 50-100 реальных страниц, разметить правильные ответы, прогнать две-три модели и сравнить долю полей без ошибок. Решение принимают по своим цифрам.

Распознавание окупается на потоке: входящие счета, накладные, договоры, письма. Модель читает документ, извлекает поля и кладет их в учетную систему, а человек проверяет только спорные случаи. Как ИИ работает с поручениями и входящими в госорганах, разобрано на странице об ИИ в документообороте.

Документы почти всегда содержат персональные данные: ФИО, паспорта, адреса. По 152-ФЗ сбор и хранение данных граждан России ведутся в базах на территории России, а до трансграничной передачи оператор подает уведомление в Роскомнадзор. Поэтому распознавание ставят в закрытый контур, описание схемы на странице об ИИ в закрытом контуре.

Если нужно не распознать, а разобрать содержание договора или отчета, смотрите подборку нейросетей для работы с документами. Термин разобран в словаре: интеллектуальная обработка документов.