展开本页目录
开始前准备什么
- LightOnOCR-3采用本地或自有授权服务；4B/0.8B为Qwen3.5架构，1B架构不同，显存还受图片与上下文影响，不承诺某张卡必定够用。
- 使用官方仓库锁定的兼容依赖；当前仓库说明vLLM0.30.0与Transformers5.16.1，模型卡的旧最低版本不能替代锁文件。
- 模型Apache2.0；仅空prompt或grounding是文档支持输入，原生PDF与检查无需付费，模型识别未执行。
- 排版跨栏原稿
- 读取完整标记流
- 解释加号语义
- 构建段落谱系
- 保留独立边栏
- 回到双框验证
- 交付续接报告
1. 排版跨栏原稿
左栏段落在“报名后请”处断开，右栏继续“保存确认邮件”。
另放独立aside_text，防止所有邻近文本都被合并。
2. 读取完整标记流
按原始顺序保存label、bbox和text。
不要按x坐标重新排序后再解释加号，会破坏原来的接续关系。
3. 解释加号语义
将text+拆为基础类型text与continuesPrevious=true。
原始label仍保留，便于回查解析器是否改动了语义。
4. 构建段落谱系
只在合理相邻块间连接续块，并存parentBlockId。
没有可接父块的+标记进入异常清单，不猜一个远处段落。
5. 保留独立边栏
aside_text不因位置靠近就并入正文。
若段落含边栏文字，回查合并条件而非删原文。
6. 回到双框验证
把合并段落拆回两个原bbox，核对顺序和文字。
合并产物应保留sourceBlockIds，不能只剩一段无来源文本。
7. 交付续接报告
保存原始标记流、段落映射和孤立加号负例。
未运行时框和标签为作者测试输入，不能标成模型预测。
下载本课材料并开始操作
练习包包含本课的具体输入、可编辑数据、正反样例与七步说明。index.html 可离线查看原件和验收参考，actual-results.csv 用于记录你实际操作后的结果。
怎样确认已经完成
- 加号被解释为续接属性。
- 合并段落保留两个sourceBlockIds。
- 边栏没有被误合并。
常见问题
text+是不是另一种文本类型？
官方说明加号是续接提示，例如跨栏继续前一块。可把它规范成text加续接属性，但必须保留原label和来源框。
看到+就无条件拼前一段吗？
先检查前块是否存在且属于合理的段落顺序。本课将孤立加号和边栏冲突单列异常，避免盲拼污染正文。