DEV Community · Show DEV9/9 06:2348 分
构建基于视觉LLM的收据OCR API：原因与架构
I'm building a receipt/invoice OCR API on a vision-LLM. Here's the why and the schema.
开发者正在构建一个将收据和发票图像转换为结构化JSON的API，以解决成本高昂的文档OCR问题。传统方案如Azure Document Intelligence和Google Document AI，每页收费0.10至0.30美元，适合大规模企业，但对个人开发者或小型SaaS不友好。视觉语言模型的出现使得只需一个提示即可完成提取，成本仅为每页0.001至0.002美元，差距达50至100倍。该API提供单一端点，支持图像或PDF输入，返回结构化字段，无需SDK或模板。目前处于预发布阶段，尚无独立准确率基准，但计划定价为每月9美元（1000页）至79美元（20000页），并提供免费层。开发者希望获得关于生产环境中所需字段（如置信度、边界框、异步回调）的反馈。