Что такое OCR — и почему нейросеть врёт в цифрах чаще, чем в буквах

Ты фоткаешь чек и просишь ИИ выписать сумму. Он выписывает. Красиво, аккуратно, в нужном формате.
А сумма — не та.
Причём не «на копейку», а другая цифра. И самое неприятное: ошибка не выглядит как ошибка. Это OCR, и в 2026-м у него появилась новая, довольно коварная болезнь.
OCR — это перевод картинки в текст
OCR (Optical Character Recognition, «оптическое распознавание символов») — превращение изображения букв в настоящий текст, который можно скопировать и найти поиском.
Для компьютера фото документа — это просто сетка точек. Слово «Итого» на нём ничем не отличается от кляксы: одинаковые цветные пиксели. OCR — та прослойка, которая говорит: «вот эти пиксели — буква И».
Ты пользуешься им каждый день, даже не замечая:
- сканы PDF, по которым внезапно работает поиск;
- перевод вывески камерой телефона;
- банк, который сам вытаскивает сумму из фото чека;
- ввод номера карты «сфотографируй, а не набирай».
Два поколения OCR — и они ошибаются по-разному
Вот тут главное.
Классический OCR (Tesseract, PaddleOCR и подобные) работает по-инженерному: находит на картинке пятна текста, режет на символы, для каждого выдаёт наиболее похожую букву — и её уверенность. Он детерминирован: один и тот же файл всегда даёт один и тот же результат. Если пиксели размыты, он выдаст мусор вроде 1t0r0 — но мусор видно, и уверенность по этому символу будет низкой.
Мультимодальная модель — это уже ИИ, который «смотрит» на картинку и генерирует текст. Она понимает контекст: знает, что «Итого» и «Сумма к оплате» — про одно, и вытащит нужное поле из любого макета без настройки. По формальным метрикам такие модели давно обходят классику.
Но у неё другой способ ошибаться. Когда пикселей не хватает, она не молчит и не мусорит — она дописывает правдоподобное. Не «не разобрал», а уверенная выдумка на месте пропуска. Это ровно та же галлюцинация, просто не в тексте, а в зрении.
И ещё: у неё нет честной «уверенности в пикселе». Модель может выдать вероятность своего слова, но это не то же самое, что «я плохо вижу эту закорючку».
Почему цифры страдают сильнее букв
Это не байка, это измеренный эффект. В работе DocHallu (ACL 2026) специально портили документы и смотрели, где модели начинают выдумывать. Вывод: галлюцинации есть у всех проверенных моделей, и на числовом содержимом они случаются чаще, чем на текстовом.
Логика простая, если подумать о том, как модель устроена.
Смазанное слово она достраивает по смыслу — как ты сам читаешь текст с опечатками, даже не спотыкаясь. Язык избыточен: «Итог_» восстанавливается однозначно.
А число избыточности не имеет. В сумме 1 8 4 0 любая цифра на любом месте одинаково правдоподобна. Заменить 8 на 3 — язык не возразит, смысл не сломается, предложение останется гладким. Проверить нечем.
Поэтому провал на числах — самый опасный: он не оставляет следов. Текстовая ошибка режет глаз, ошибка в сумме выглядит как нормальная сумма.
Как этим пользоваться и не влететь
Не нужно возвращаться к старому OCR. Нужно перестать доверять цифрам без проверки.
- Дай нормальную картинку. Больше всего модель выдумывает там, где плохо видно: смазано, тень, низкий контраст. Пересняли ровно и при свете — и половина проблемы исчезла.
- Проси строгий формат ответа, а не рассказ. Поля JSON проще проверить, чем абзац.
- Добавь в промпт право сказать «не вижу». Прямо так: «если символ не читается — ставь
null, не угадывай». Модель по умолчанию старается быть полезной, а не честной. - Проверяй числа арифметикой, а не глазами. Сумма строк должна сходиться с итогом, дата — попадать в разумный диапазон, счёт — совпадать по контрольным цифрам. Это тридцать строк кода, которые ловят ровно тот класс ошибок, который глазами не поймать.
- Прогоняй дважды на важном. Модель стохастична: тот же файл может дать чуть другой ответ. Совпали два прогона — уже спокойнее. Разошлись — вот тебе сигнал «здесь плохо видно».
Чем OCR отличается от компьютерного зрения?
OCR — узкая задача внутри компьютерного зрения: вытащить именно текст. Компьютерное зрение шире — оно про «что вообще изображено»: лица, объекты, дефекты на детали. Современные мультимодальные модели делают и то и другое, но задачи разные.
OCR умеет читать рукописный текст?
Уже неплохо — заметно лучше, чем классические движки, которые на рукописи практически сдавались. Но именно здесь пропасть между «разобрал» и «придумал» самая широкая: почерк неоднозначен, а модель обязана что-то написать. Рукописные числа перепроверяй всегда.
Нужно ли платить за OCR?
Нет, начать можно бесплатно: Tesseract ставится локально и работает без интернета, а у большинства мультимодальных моделей есть бесплатный лимит. Платить имеет смысл, когда важны объём и стабильность, а не сам факт распознавания.
Курс «Профессия 2027: ИИ-архитектор»: шаг за шагом от основ компьютера до своего приложения и первых клиентов. 543 коротких урока на телефоне.





