Работа со сканами и OCR

Значительная часть юридических документов – сканы и PDF без текстового слоя. Благодаря мультимодальности современные модели читают их напрямую, но есть нюансы.

Что важно знать

• Распознавание съедает контекст. OCR внутри чата тратит много токенов. Большие сканы лучше заранее конвертировать – см. Markdown для юриста.
• Кросс-проверка. Плохой скан – источник ошибок распознавания: критичные цифры и реквизиты сверяем с оригиналом или прогоняем через вторую модель.
• Реставрация скана. Генеративная очистка может изменить символы, печати и QR-код. Для юридически значимого документа храните оригинал и используйте обычное выравнивание и повышение контраста.
• Сравнение нераспознаваемых PDF. Две сканированные редакции договора можно сравнить, скормив обе модели и попросив таблицу отличий.

Дисклеймер из канала: «реставрация» и удаление фона подписи – только для ваших собственных документов и подписей.

Связанные заметки: Markdown для юриста · Мультимодальность · Анонимизаторы

Материалы по теме: лайфхак с реставрацией скана