——小菜“大胖老师咱们把国外扒了个遍那国内呢咱们自己的古籍OCR到底什么水平”——二黑推了推眼镜从抽屉里掏出一张手绘的“中国古籍OCR势力图”上面画得跟战国七雄似的“一句话概括——散装。国图是周天子号令天下但诸侯各自为战高校是六国每家有每家的绝活但谁也统一不了谁民间是各路游侠单枪匹马造轮子造完就扔GitHub上吃灰。”——大胖老师接过图端详了半天“二黑你这比喻就差给每个项目画个图腾了。不过说得对国内古籍OCR这潭水看着风平浪静底下全是暗流。今天咱们就掰扯掰扯这片江湖到底有多少门派各有什么独门绝技又为什么至今没能一统天下。”一、国家队入场国图的“旗舰”与“难言之隐”大胖老师在白板上画了一艘大船上面写着“国家图书馆”。“要说古籍数字化国图是当之无愧的旗舰。从2012年起国图就启动了大规模古籍扫描工程到2025年线上发布的数字善本已经超过10万部。这是什么概念你一天看一部得从唐太宗登基那年看到现在。”他顿了顿“但有个数据你们可能不知道——这些发布出来的绝大多数只有图像没有文本层。真正做完OCR并公开全文的比例不到5%。”小菜不解“为什么国图又不是没钱。”二黑接过话“不是钱的问题是技术选型的困局。国图这些年试过好几套OCR方案——早期用过汉王、清华紫光后来换过商业云服务近些年也开始测试开源引擎。但每次切换都面临历史数据重跑的巨额成本。几千万页扫描件重跑一遍的算力成本、人力校对成本够再建一个分馆了。所以他们特别谨慎宁可不做也不能做错。”“而且国图还有一个特殊身份”大胖老师补充“它是行业标杆。它选什么技术路线全国图书馆都看着。它不敢轻易押注一个开源项目万一项目黄了谁来兜底这种‘旗舰的烦恼’我们这种小团队体会不到。”二、高校门派北大、浙大、哈工大的“独门绝技”大胖老师又在白板上画了三座山分别标注“北大”、“浙大”、“哈工大”。“国内搞古籍数字化最深的几所高校各有各的绝活但有个共同特点——都是实验室产品工程化程度不够离开校园就水土不服。”北大众包校对的开创者“北京大学数字人文中心搞了一个‘吾与点’古籍标注平台专门做众包校对。思路很巧妙——把OCR的初步结果发到网上招募志愿者来校对。你认一页我认一页积少成多。”二黑打开平台页面上面显示着累计校对量“到2025年这个平台已经累计校对了超过50万页古籍文本。这在学术圈是个了不起的数字。”“但问题也很明显”大胖老师指出“众包质量参差不齐。志愿者里有退休教授也有大一新生校对水平天差地别。而且众包靠热情驱动没有稳定的产出节奏。几百个人轰轰烈烈干了一周可能只校完一本书然后就没人了。无法规模化。”浙大墓志铭的“专科医生”“浙江大学团队在墓志铭识别上做得特别好。”二黑调出一篇论文“他们专门针对出土墓志铭这种特定类型训练了专用模型。墓志铭的字体、格式、用语都有固定套路专训之后准确率很高。但局限性也在于此——离开了墓志铭换成本地方志或契约文书模型就不灵了。就像一个只看心脏病的专家遇到感冒病人也得转诊。”小菜插嘴“这不就是‘专科医生’吗很厉害但看不了全科。”哈工大满文识别的孤独高手“哈尔滨工业大学的满文手写识别全国独一份。”大胖老师竖起大拇指“满文古籍档案数量庞大但能认满文的人越来越少。哈工大团队用深度学习做了满文OCR解决了大问题。但满文和汉字是两套完全不同的文字系统模型不能通用。所以他们在满文圈子里是神在汉字古籍圈子里几乎没人知道。”“还有很多其他高校——复旦做近代报刊OCR南大做地方志文本挖掘武大做古籍图像增强……每家都有拿手菜但没有一家能开连锁店。”二黑总结“为什么因为高校的评价体系是论文和项目不是产品和用户。一个系统发完论文、结完题研究生毕业了项目就扔那儿了。没有人做长期的工程维护和用户支持。这不是态度问题是机制问题。”三、民间游侠GitHub上的孤胆英雄大胖老师把白板翻了个面画了一堆散落的小星星。“说完国家队和高校说说民间力量。从2020年开始陆陆续续有个人开发者在GitHub上发布古籍OCR项目。我让二黑统计过至少有四十多个相关仓库。这些项目的共同特点是——”“星标少文档烂但心意真。”二黑接过话打开一个列表“你看这个2018年的项目星标12个README里写着‘外婆家的族谱快烂了我想用OCR把它存下来。学了一个月Python写了这个。效果不好但我会继续改。’最后一次更新是2019年。作者没有继续改但他的心意留在那儿了。”小菜沉默了一会儿“这些项目有能用的吗”“大部分只有演示价值不能实际使用。”二黑说“但也有几个不错的。比如有一个专门做家谱识别的基于PaddleOCR微调在竖排家谱上准确率能做到85%以上。作者是一个在深圳打工的程序员利用周末时间搞的。我联系过他他说没时间维护但愿意把数据捐给我们。”“这就是民间力量的困境”大胖老师感叹“有热情有想法但缺时间、缺数据、缺持续维护的动力。一个人的精力是有限的一个项目如果只有一个人在撑早晚会断。这些孤胆英雄造了轮子却没人来组装成车。”四、众包平台与小程序最原始也最动人的力量除了开源项目大胖老师还发现了一个很有意思的现象很多基层图书馆和民间爱好者在用最原始的方法做古籍数字化。“某县图书馆的馆员用手机把古籍一页页拍下来发到家族微信群里动员亲戚朋友帮忙‘看图打字’。一本书三个月能录完。还有人在微信小程序里一段一段地截古籍图片用小程序自带的OCR识别再把结果拼回去——虽然竖排完全不行出来全是乱码但他们还是坚持在做。”“这些方法技术含量为零效率低得可怜。但背后的动机比任何技术都珍贵。他们不是不知道有更好的工具而是不知道去哪里找或者找到了也用不上。这恰恰说明我们的技术没有真正‘下沉’到最需要它的地方。”五、“散装江湖”的三大症结大胖老师在白板上总结了国内古籍OCR“散装”的三大原因1. 数据孤岛。国图有数据高校有算法民间有需求但三者之间缺乏流通管道。国图的数据因为版权和制度原因不能轻易开放给高校训练模型高校训好的模型没有渠道部署到基层图书馆民间的需求反馈不到开发者的耳朵里。数据、算法、需求各在一边形不成闭环。2. 机制断层。高校做项目是课题制课题结束人就散了国图做项目是工程制要求稳定可靠可审计民间做项目是兴趣制兴趣转移项目就停。三种机制之间没有衔接导致没有一个力量能持续推动技术迭代和落地。3. 评价错位。在学术界发一篇古籍OCR的顶会论文比让一百家图书馆用上OCR系统更有价值。在商业界做一个能赚钱的SaaS服务比做一个免费开源的公益项目更有吸引力。古籍OCR恰恰卡在中间——既不够“学术创新”又不够“商业回报”成了没人认领的“公地”。六、文渊慧典的使命把散装炼成合金“我们做文渊慧典不是要替代国图不是要超越高校不是要收编民间。”大胖老师敲了敲白板“我们要做的是当那个‘串珍珠的人’。把国图的标准、高校的算法、民间的热情串成一条能用的项链。”二黑展开一张图上面画着文渊慧典的生态位对接国图的元数据标准让识别结果能顺利导入国家平台集成PaddleOCR的高校科研成果让最新算法直接服务于基层开放API和插件机制让民间开发者能贡献特定场景的微调模型保持开源和免费让最偏远的县馆也能用上“这是文渊慧典最大的野心——不是做最好的OCR而是做最‘合用’的OCR。不是闭门造车而是把散落在各处的力量接起来形成合力。散装不是劣势如果能接起来反而是最大的优势——因为每一份力量都是为古籍而生的。”小菜最后总结“所以国内古籍OCR这潭水看起来是散装江湖其实是一片还没连起来的武林。国图是少林高校是各派掌门民间是游侠。咱们文渊慧典就是想建个武林联盟——不吞并谁不号令谁就是搭个台子让大家一起使力。”大胖老师大笑“对而且联盟不收会费只收代码。愿意加入的自己挑个Issue改完了提PR。王大姐们在等着用呢。”窗外2026年的阳光正好。实验室的白板上那张“中国古籍OCR势力图”旁边又多了一张“文渊慧典生态位示意图”。小菜在图的最下方写了一行小字散是满天星聚是一团火。二黑看了一眼没说话默默在后面补了一句前提是有人点火。大胖老师端起保温杯对着两张图满意地喝了一口。今天泡的是社区贡献者寄来的新茶。本文为注水技术版您看看即可不必当真写此文字就是图一乐-
——小菜“大胖老师咱们把国外扒了个遍那国内呢咱们自己的古籍OCR到底什么水平”——二黑推了推眼镜从抽屉里掏出一张手绘的“中国古籍OCR势力图”上面画得跟战国七雄似的“一句话概括——散装。国图是周天子号令天下但诸侯各自为战高校是六国每家有每家的绝活但谁也统一不了谁民间是各路游侠单枪匹马造轮子造完就扔GitHub上吃灰。”——大胖老师接过图端详了半天“二黑你这比喻就差给每个项目画个图腾了。不过说得对国内古籍OCR这潭水看着风平浪静底下全是暗流。今天咱们就掰扯掰扯这片江湖到底有多少门派各有什么独门绝技又为什么至今没能一统天下。”一、国家队入场国图的“旗舰”与“难言之隐”大胖老师在白板上画了一艘大船上面写着“国家图书馆”。“要说古籍数字化国图是当之无愧的旗舰。从2012年起国图就启动了大规模古籍扫描工程到2025年线上发布的数字善本已经超过10万部。这是什么概念你一天看一部得从唐太宗登基那年看到现在。”他顿了顿“但有个数据你们可能不知道——这些发布出来的绝大多数只有图像没有文本层。真正做完OCR并公开全文的比例不到5%。”小菜不解“为什么国图又不是没钱。”二黑接过话“不是钱的问题是技术选型的困局。国图这些年试过好几套OCR方案——早期用过汉王、清华紫光后来换过商业云服务近些年也开始测试开源引擎。但每次切换都面临历史数据重跑的巨额成本。几千万页扫描件重跑一遍的算力成本、人力校对成本够再建一个分馆了。所以他们特别谨慎宁可不做也不能做错。”“而且国图还有一个特殊身份”大胖老师补充“它是行业标杆。它选什么技术路线全国图书馆都看着。它不敢轻易押注一个开源项目万一项目黄了谁来兜底这种‘旗舰的烦恼’我们这种小团队体会不到。”二、高校门派北大、浙大、哈工大的“独门绝技”大胖老师又在白板上画了三座山分别标注“北大”、“浙大”、“哈工大”。“国内搞古籍数字化最深的几所高校各有各的绝活但有个共同特点——都是实验室产品工程化程度不够离开校园就水土不服。”北大众包校对的开创者“北京大学数字人文中心搞了一个‘吾与点’古籍标注平台专门做众包校对。思路很巧妙——把OCR的初步结果发到网上招募志愿者来校对。你认一页我认一页积少成多。”二黑打开平台页面上面显示着累计校对量“到2025年这个平台已经累计校对了超过50万页古籍文本。这在学术圈是个了不起的数字。”“但问题也很明显”大胖老师指出“众包质量参差不齐。志愿者里有退休教授也有大一新生校对水平天差地别。而且众包靠热情驱动没有稳定的产出节奏。几百个人轰轰烈烈干了一周可能只校完一本书然后就没人了。无法规模化。”浙大墓志铭的“专科医生”“浙江大学团队在墓志铭识别上做得特别好。”二黑调出一篇论文“他们专门针对出土墓志铭这种特定类型训练了专用模型。墓志铭的字体、格式、用语都有固定套路专训之后准确率很高。但局限性也在于此——离开了墓志铭换成本地方志或契约文书模型就不灵了。就像一个只看心脏病的专家遇到感冒病人也得转诊。”小菜插嘴“这不就是‘专科医生’吗很厉害但看不了全科。”哈工大满文识别的孤独高手“哈尔滨工业大学的满文手写识别全国独一份。”大胖老师竖起大拇指“满文古籍档案数量庞大但能认满文的人越来越少。哈工大团队用深度学习做了满文OCR解决了大问题。但满文和汉字是两套完全不同的文字系统模型不能通用。所以他们在满文圈子里是神在汉字古籍圈子里几乎没人知道。”“还有很多其他高校——复旦做近代报刊OCR南大做地方志文本挖掘武大做古籍图像增强……每家都有拿手菜但没有一家能开连锁店。”二黑总结“为什么因为高校的评价体系是论文和项目不是产品和用户。一个系统发完论文、结完题研究生毕业了项目就扔那儿了。没有人做长期的工程维护和用户支持。这不是态度问题是机制问题。”三、民间游侠GitHub上的孤胆英雄大胖老师把白板翻了个面画了一堆散落的小星星。“说完国家队和高校说说民间力量。从2020年开始陆陆续续有个人开发者在GitHub上发布古籍OCR项目。我让二黑统计过至少有四十多个相关仓库。这些项目的共同特点是——”“星标少文档烂但心意真。”二黑接过话打开一个列表“你看这个2018年的项目星标12个README里写着‘外婆家的族谱快烂了我想用OCR把它存下来。学了一个月Python写了这个。效果不好但我会继续改。’最后一次更新是2019年。作者没有继续改但他的心意留在那儿了。”小菜沉默了一会儿“这些项目有能用的吗”“大部分只有演示价值不能实际使用。”二黑说“但也有几个不错的。比如有一个专门做家谱识别的基于PaddleOCR微调在竖排家谱上准确率能做到85%以上。作者是一个在深圳打工的程序员利用周末时间搞的。我联系过他他说没时间维护但愿意把数据捐给我们。”“这就是民间力量的困境”大胖老师感叹“有热情有想法但缺时间、缺数据、缺持续维护的动力。一个人的精力是有限的一个项目如果只有一个人在撑早晚会断。这些孤胆英雄造了轮子却没人来组装成车。”四、众包平台与小程序最原始也最动人的力量除了开源项目大胖老师还发现了一个很有意思的现象很多基层图书馆和民间爱好者在用最原始的方法做古籍数字化。“某县图书馆的馆员用手机把古籍一页页拍下来发到家族微信群里动员亲戚朋友帮忙‘看图打字’。一本书三个月能录完。还有人在微信小程序里一段一段地截古籍图片用小程序自带的OCR识别再把结果拼回去——虽然竖排完全不行出来全是乱码但他们还是坚持在做。”“这些方法技术含量为零效率低得可怜。但背后的动机比任何技术都珍贵。他们不是不知道有更好的工具而是不知道去哪里找或者找到了也用不上。这恰恰说明我们的技术没有真正‘下沉’到最需要它的地方。”五、“散装江湖”的三大症结大胖老师在白板上总结了国内古籍OCR“散装”的三大原因1. 数据孤岛。国图有数据高校有算法民间有需求但三者之间缺乏流通管道。国图的数据因为版权和制度原因不能轻易开放给高校训练模型高校训好的模型没有渠道部署到基层图书馆民间的需求反馈不到开发者的耳朵里。数据、算法、需求各在一边形不成闭环。2. 机制断层。高校做项目是课题制课题结束人就散了国图做项目是工程制要求稳定可靠可审计民间做项目是兴趣制兴趣转移项目就停。三种机制之间没有衔接导致没有一个力量能持续推动技术迭代和落地。3. 评价错位。在学术界发一篇古籍OCR的顶会论文比让一百家图书馆用上OCR系统更有价值。在商业界做一个能赚钱的SaaS服务比做一个免费开源的公益项目更有吸引力。古籍OCR恰恰卡在中间——既不够“学术创新”又不够“商业回报”成了没人认领的“公地”。六、文渊慧典的使命把散装炼成合金“我们做文渊慧典不是要替代国图不是要超越高校不是要收编民间。”大胖老师敲了敲白板“我们要做的是当那个‘串珍珠的人’。把国图的标准、高校的算法、民间的热情串成一条能用的项链。”二黑展开一张图上面画着文渊慧典的生态位对接国图的元数据标准让识别结果能顺利导入国家平台集成PaddleOCR的高校科研成果让最新算法直接服务于基层开放API和插件机制让民间开发者能贡献特定场景的微调模型保持开源和免费让最偏远的县馆也能用上“这是文渊慧典最大的野心——不是做最好的OCR而是做最‘合用’的OCR。不是闭门造车而是把散落在各处的力量接起来形成合力。散装不是劣势如果能接起来反而是最大的优势——因为每一份力量都是为古籍而生的。”小菜最后总结“所以国内古籍OCR这潭水看起来是散装江湖其实是一片还没连起来的武林。国图是少林高校是各派掌门民间是游侠。咱们文渊慧典就是想建个武林联盟——不吞并谁不号令谁就是搭个台子让大家一起使力。”大胖老师大笑“对而且联盟不收会费只收代码。愿意加入的自己挑个Issue改完了提PR。王大姐们在等着用呢。”窗外2026年的阳光正好。实验室的白板上那张“中国古籍OCR势力图”旁边又多了一张“文渊慧典生态位示意图”。小菜在图的最下方写了一行小字散是满天星聚是一团火。二黑看了一眼没说话默默在后面补了一句前提是有人点火。大胖老师端起保温杯对着两张图满意地喝了一口。今天泡的是社区贡献者寄来的新茶。本文为注水技术版您看看即可不必当真写此文字就是图一乐-
