fix: QC-Ratings aus 7 älteren Artikeln entfernt (CHECK 10)
This commit is contained in:
Hermes Agent
@@ -0,0 +1,199 @@
|
||||
# Handschrifterkennung & Klausurbewertung: Stand der Technik (Juni 2026)
|
||||
|
||||
## Zusammenfassung
|
||||
|
||||
Umfassende Recherche zu Vision-LLMs, lokalen Modellen und spezialisierten OCR-Tools
|
||||
für deutsche Handschrifterkennung mit Fokus auf Klausurbewertung (Pipeline: OCR -> LLM-Bewertung).
|
||||
|
||||
---
|
||||
|
||||
## 1. Cloud-Lösungen (Vision-LLMs für OCR/Handschrift)
|
||||
|
||||
### GPT-4o (OpenAI)
|
||||
- Exzellente General-Purpose Vision, gute Handschrifterkennung durch Kontext
|
||||
- Kosten: ~$5-15/1M Input-Tokens
|
||||
- Gut als Fallback oder für Bewertungsstufe
|
||||
|
||||
### Claude Opus 4 / Sonnet 4 Vision (Anthropic)
|
||||
- Stark bei Dokumentenverstandnis und strukturierter Extraktion
|
||||
- Hervorragend für **Bewertungsstufe** (Korrektur), weniger für reines OCR
|
||||
- Kosten: Opus 4: $15/1M, Sonnet 4: $3/1M
|
||||
|
||||
### Gemini 2.5 Pro / 2.5 Flash (Google) [Cloud-Empfehlung]
|
||||
- Flash: extrem kosteneffizient und schnell
|
||||
- Native Dokumentenverarbeitung (Document AI)
|
||||
- Marker (PDF->Markdown) nutzt Gemini als LLM-Backend
|
||||
- Kosten: Flash ~$0.15/1M, Pro $1.25/1M
|
||||
- Top-Wahl fur kosteneffiziente Cloud-OCR + Bewertung
|
||||
|
||||
### Qwen-VL / Qwen2.5-VL / Qwen3-VL (Alibaba)
|
||||
- 32 Sprachen, robust bei Unscharfe/Neigung
|
||||
- Open-Source + Cloud-API (DashScope)
|
||||
|
||||
### Grok Vision (xAI)
|
||||
- Wenig dokumentierte OCR-Benchmarks, nicht erste Wahl
|
||||
|
||||
### Weitere Cloud-OCR-Dienste
|
||||
- Azure AI Document Intelligence, Amazon Textract, Google Document AI
|
||||
|
||||
|
||||
## 2. Lokal lauffahige Modelle (Ollama-kompatibel, 24-64 GB VRAM)
|
||||
|
||||
### Qwen2.5-VL Serie
|
||||
| Modell | Parameter | BF16 VRAM | INT4 VRAM | Ollama |
|
||||
|--------|-----------|-----------|-----------|--------|
|
||||
| Qwen2.5-VL-3B | 3.8B | ~5.7 GB | ~1.5 GB | Ja |
|
||||
| Qwen2.5-VL-7B | 8.3B | ~13 GB | ~3.3 GB | Ja |
|
||||
| Qwen2.5-VL-72B | 73.4B | ~133 GB | ~33 GB | Ja |
|
||||
- 32 Sprachen, erweiterte OCR, Quelle: github.com/QwenLM/Qwen2.5-VL
|
||||
|
||||
### Qwen3-VL (MoE-Architektur)
|
||||
- Qwen3-VL-30B-A3B: 31.1B total, nur 3B aktiv -> extrem effizient
|
||||
- Noch besseres Dokumentenparsing als Qwen2.5-VL
|
||||
|
||||
### InternVL2 Serie
|
||||
| Modell | Parameter | VRAM ca. |
|
||||
|--------|-----------|----------|
|
||||
| InternVL2-1B | 1B | ~2 GB |
|
||||
| InternVL2-4B | 4B | ~8 GB |
|
||||
| InternVL2-8B | 8B | ~16 GB |
|
||||
| InternVL2-26B | 26B | ~52 GB |
|
||||
| InternVL2-76B | 76B | ~152 GB |
|
||||
- SOTA auf DocVQA (94.1% mit Pro), Quelle: github.com/OpenGVLab/InternVL
|
||||
|
||||
### MiniCPM-V Serie [Beste fur Consumer-Hardware]
|
||||
| Modell | Parameter | VRAM ca. | Ollama |
|
||||
|--------|-----------|----------|--------|
|
||||
| MiniCPM-V 2.6 | 8B | ~16 GB | minicpm-v |
|
||||
| MiniCPM-V 4.6 | 1.3B | ~3 GB | minicpm-v |
|
||||
- **Ubertrifft GPT-4o/GPT-4V/Gemini 1.5 Pro auf OCRBench!**
|
||||
- Handschrift-Demos in README, Bilder bis 1.8M Pixel
|
||||
- Quelle: github.com/OpenBMB/MiniCPM-V
|
||||
|
||||
### Weitere lokale Modelle
|
||||
- **Pixtral 12B**: 12B+400M, ~25 GB VRAM, Apache 2.0 (huggingface.co/mistralai/Pixtral-12B-2409)
|
||||
- **DeepSeek-OCR**: 3B, ~6.7 GB, token-effizientes OCR (ollama.com/library/deepseek-ocr)
|
||||
- **GLM-OCR**: Multimodales OCR fur komplexes Dokumentenverstandnis
|
||||
- **LLaVA**: 7B (~4.7 GB), 13B (~8.0 GB), llama3 (~5.5 GB), 4x Auflosung
|
||||
- **llama3.2-vision**: 11B/90B, nicht OCR-spezialisiert
|
||||
- **Moondream**: ~2B, sehr leichtgewichtig
|
||||
|
||||
|
||||
## 3. Spezialisierte OCR-Tools
|
||||
|
||||
### Surya OCR 2 [Top-Empfehlung dediziertes OCR]
|
||||
- 650M Parameter VLM, spezialisiert auf Dokumenten-OCR
|
||||
- **83.3% auf olmOCR-bench** (beste unter 3B Parametern)
|
||||
- 90+ Sprachen (inkl. Deutsch), **Handschriftunterstutzung** (explizit in README)
|
||||
- 5 Seiten/Sekunde auf RTX 5090, **~1.3 GB VRAM**
|
||||
- Backend: vllm (GPU) oder llama.cpp (CPU/Apple Silicon)
|
||||
- `pip install surya-ocr`
|
||||
- Quelle: github.com/datalab-to/surya
|
||||
|
||||
### Marker (PDF -> Markdown/JSON)
|
||||
- Pipeline aus DL-Modellen, nutzt Surya fur OCR
|
||||
- LLM-Integration (Gemini, Claude, OpenAI, Ollama)
|
||||
- Heuristic Score: 95.67, 0.18 Sek/Seite, 3.17 GB VRAM
|
||||
- `pip install marker-pdf`
|
||||
- Quelle: github.com/datalab-to/marker
|
||||
|
||||
### Chandra OCR (Datalab)
|
||||
- Chandra OCR 2: 5.3B, **85.9% auf olmOCR-bench**
|
||||
- Chandra OCR 1: 9.0B, 83.1%
|
||||
- Quelle: github.com/datalab-to/chandra
|
||||
|
||||
### PaddleOCR / PaddleOCR-VL (Baidu)
|
||||
- **PaddleOCR-VL-1.6: 0.9B, 96.3% auf OmniDocBench v1.6**
|
||||
- 109 Sprachen, Handschriftunterstutzung
|
||||
- PP-OCRv5: 100+ Sprachen, PP-StructureV3: PDF->Markdown/JSON
|
||||
- Quelle: github.com/PaddlePaddle/PaddleOCR
|
||||
|
||||
### EasyOCR
|
||||
- 80+ Sprachen, einfach zu verwenden
|
||||
- Handschrift: "Coming next" laut Roadmap
|
||||
- Quelle: github.com/JaidedAI/EasyOCR
|
||||
|
||||
### Tesseract OCR
|
||||
- Klassisch (LSTM seit v4), Deutsch (`deu`) verfugbar
|
||||
- Keine spezielle Handschriftunterstutzung
|
||||
- Quelle: github.com/tesseract-ocr/tesseract
|
||||
|
||||
|
||||
## 4. Empfohlene Pipeline: OCR -> LLM-Bewertung
|
||||
|
||||
### Stufe 1: OCR (Handschrift -> Text)
|
||||
|
||||
**Option A: Rein lokal (Datenschutz) [Empfohlen]**
|
||||
Surya OCR 2 + MiniCPM-V 2.6 oder Qwen2.5-VL-7B (Verifikation)
|
||||
|
||||
**Option B: Hybrid (Kostenoptimiert)**
|
||||
Surya OCR 2 (lokal) + Gemini 2.5 Flash (Cloud-Korrektur)
|
||||
|
||||
**Option C: Maximal Genauigkeit (Cloud)**
|
||||
PaddleOCR-VL + GPT-4o oder Claude Opus 4
|
||||
|
||||
### Stufe 2: LLM-Bewertung
|
||||
|
||||
- **Lokal**: Llama 4 (70B+), Qwen3, DeepSeek-V3
|
||||
- **Cloud**: Claude Opus 4 (Beste Bewertungslogik), GPT-4o, Gemini 2.5 Pro
|
||||
|
||||
### Hardware-Empfehlung (Consumer: 24-64 GB VRAM)
|
||||
|
||||
| Komponente | Empfohlenes Modell | VRAM |
|
||||
|------------|--------------------|------|
|
||||
| OCR primar | Surya OCR 2 | ~2 GB |
|
||||
| OCR sekundar | MiniCPM-V 2.6 | ~16 GB |
|
||||
| OCR alternativ | Qwen2.5-VL-7B (INT4) | ~4 GB |
|
||||
| Bewertung | Lokales LLM (8-32B INT4) | ~8-20 GB |
|
||||
| **Gesamt** | | **~20-40 GB** |
|
||||
|
||||
### Architektur fur Klausur-Prufsystem
|
||||
|
||||
1. Input: Scan/Foto der handschriftlichen Klausur
|
||||
2. Bildvorbereitung: Deskew, Binarize, Kontrast
|
||||
3. OCR (lokal): Surya OCR 2 (Layout + Text)
|
||||
4. OCR-Verifikation: MiniCPM-V 2.6 (Korrekturlesen)
|
||||
5. Textbereinigung: Regelbasiert + LLM (Rechtschreibung Deutsch)
|
||||
6. Bewertung (Cloud/lokal): Claude/DeepSeek/Llama
|
||||
7. Output: Note + detailliertes Feedback
|
||||
|
||||
|
||||
## 5. Zusammenfassende Bewertungen
|
||||
|
||||
### Beste fur deutsche Handschrift/Schreibschrift
|
||||
|
||||
1. **Beste Cloud-OCR**: Gemini 2.5 Flash/Pro + GPT-4o
|
||||
2. **Beste lokale OCR**: Surya OCR 2 + Qwen2.5-VL-7B oder MiniCPM-V 2.6
|
||||
3. **Schwierige Handschrift**: MiniCPM-V 2.6 (OCRBench-Sieger) + Claude/GPT-4o Fallback
|
||||
4. **Bestes Verhaltnis Genauigkeit/Kosten**: Surya OCR 2 (lokal) + Gemini 2.5 Flash
|
||||
|
||||
### Beste fur Klausurbewertung
|
||||
|
||||
1. **Bewertungs-LLM Cloud**: Claude Opus 4 (prazise, strukturierte Ausgaben)
|
||||
2. **Bewertungs-LLM Lokal**: Llama-4-70B oder DeepSeek-V3
|
||||
3. **Wichtig**: Bewertung auf OCR-extrahiertem Text, NICHT direkt auf Bild!
|
||||
|
||||
|
||||
## 6. Quellen & Links
|
||||
|
||||
- Surya OCR: https://github.com/datalab-to/surya
|
||||
- Marker: https://github.com/datalab-to/marker
|
||||
- Chandra OCR: https://github.com/datalab-to/chandra
|
||||
- olmOCR-bench: https://huggingface.co/datasets/allenai/olmOCR-bench
|
||||
- PaddleOCR: https://github.com/PaddlePaddle/PaddleOCR
|
||||
- EasyOCR: https://github.com/JaidedAI/EasyOCR
|
||||
- Tesseract: https://github.com/tesseract-ocr/tesseract
|
||||
- Qwen2.5-VL: https://github.com/QwenLM/Qwen2.5-VL
|
||||
- Qwen3-VL: https://github.com/QwenLM/Qwen3-VL
|
||||
- InternVL2: https://github.com/OpenGVLab/InternVL
|
||||
- MiniCPM-V: https://github.com/OpenBMB/MiniCPM-V
|
||||
- Pixtral 12B: https://huggingface.co/mistralai/Pixtral-12B-2409
|
||||
- DeepSeek-OCR: https://ollama.com/library/deepseek-ocr
|
||||
- LLaVA: https://ollama.com/library/llava
|
||||
- Gemini API: https://ai.google.dev/gemini-api/docs/models
|
||||
- Qwen2.5-VL Paper: https://arxiv.org/abs/2502.13923
|
||||
|
||||
---
|
||||
|
||||
*Recherche durchgefuhrt: 7. Juni 2026*
|
||||
*Quellen: GitHub READMEs, Ollama Library, HuggingFace Model Cards, arxiv Papers*
|
||||
Reference in New Issue
Block a user