为什么我们需要一个新的OCR工具？

在数字化时代，我们每天都在与各种文字打交道：扫描文档、截图内容、手写笔记、表格数据…

传统的 OCR 工具虽然能识别文字，但往往只是"看到"而不能"理解"。

想象一下这样的场景：

• 你需要从截图中快速提取各种类型(表格/手写体等)图片的内容
• 你遇到一张外文图片，想要翻译的同时保持原有的格式和语境
• 你拍了一张复杂的财务报表，不仅想提取文字，还想让AI帮你分析数据趋势
• 你有一份手写的会议记录，希望不仅转成文字，还能自动整理成结构化的会议纪要

这就是 XS-VLM-OCR 诞生的原因——我们不只是在做OCR，而是在构建一个智能视觉语言理解系统。

不只是识别，更是理解

多模型智能引擎

• Qwen-VL系列：阿里云全系列视觉语言模型，支持Qwen-VL-Plus/Max/235B-VL等
• GLM-4V系列：智谱AI的多模态大模型，支持GLM-4.5V/4.6V
• PaddleOCR-VL：百度飞桨OCR-VL系列，支持PaddleOCR-VL
• 自定义适配器：支持接入任何与 OpenAPI 兼容的多模态大模型
• Tesseract离线：经典 OCR 引擎，无网络依赖

智能提示词系统

内置丰富的提示词模板，让 AI 真正理解你的需求：

识别类提示词

通用识别：请识别图片中的所有文字内容，保持原有格式
表格识别：请将图片中的表格转换为Markdown格式
公式识别：请识别图片中的数学公式，输出LaTeX格式
手写识别：请识别手写文字，注意字迹模糊的部分
证件识别：请提取身份证/护照等证件的关键信息

翻译类提示词

中英互译：请将图片中的文字翻译成中文/英文
多语言翻译：请识别语言并翻译成目标语言
保持格式翻译：翻译时保持原有的排版和格式
专业术语翻译：这是技术文档，请注意专业术语的准确性

解答类提示词

题目解答：这是一道数学/物理题，请给出详细解答过程
代码解释：请解释这段代码的功能和逻辑
图表分析：请分析图表数据并总结关键趋势
文档总结：请总结文档的核心内容和要点

整理类提示词

结构化输出：请将内容整理成JSON/表格格式
会议纪要：请将会议记录整理成标准纪要格式
知识提取：请提取文档中的关键知识点
数据清洗：请规范化数据格式，去除无关信息

对话式智能交互

• 实时预览：所见即所得的结果展示
• 一键复制：识别结果自动复制到剪贴板
• 历史记录：保存每次识别的图片、结果

极致的用户体验

• 多种输入方式：上传、粘贴、拖拽、全局快捷键截图
• 主题切换：深色/浅色主题，护眼更舒适
• 侧边栏折叠：紧凑模式，节省屏幕空间
• 异步处理：基于 Qt 线程池，防止卡顿
• 跨平台支持：Win/Linux/Mac完美运行

为什么选择 XS-VLM-OCR ？

当前市场上：

工具	截图自动识别	多模型切换	接入任意在线/离线大模型	本地OCR	全平台桌面
截图工具（微信截图/Snipaste）	✔	✘	✘	✘	✔
传统 OCR（白描/ABBYY/uTools）	✔	✘	✘	✔(有些)	多为插件
大模型网站（ChatGPT/Qwen）	✘	✔	⚠️(仅支持自家模型)	✘	⚠️(网页)
PaddleOCR/Tesseract	✘	✘	✘	✔	需要编译
XS-VLM-OCR	✔	✔	✔	✔	✔(规划中)

我们要做的是：

截图 + 大模型 OCR + 跨平台的客户端

演示：看看AI如何理解你的图片

截图自动识别：先选择所需要的提示词，然后使用快捷键【ALT+A】截图，截图后会自动调用 AI

场景一：智能识别

通用识别

表格识别

手写体识别

场景二：文档翻译

场景三：解答问题

场景四：整理内容

快速上手：3分钟开启AI识别之旅

第一步：下载安装

法1：直接下载编译好的版本

• 夸克云：https://pan.quark.cn/s/cfbe6c3b0bfc
• 访问 GitHub Releases 页面下载

法2：从源码编译

git clone https://github.com/xstongxue/XS-VLM-OCR.git
cd XS-VLM-OCR
mkdir build && cd build
cmake .. -DCMAKE_PREFIX_PATH="你的Qt路径"
cmake --build . --config Release

第二步：获取API密钥

完整指南：XS-VLM-OCR-模型配置完整教程

1. 访问各个大模型官方平台
2. 注册账号并创建 API KEY
3. 新用户通常有免费额度和免费模型使用，足够体验所有功能

第三步：配置模型

1. 首次运行会自动读取配置文件（可以直接在配置文件 model_config.json 内填入API KEY）
2. 点击【设置】按钮
3. 在"模型配置"标签页填入API KEY，模型列表里可以自定义模型
4. 配置完成点击【保存】按钮，然后重启软件即可

第四步：开始使用

1. 上传图片或粘贴截图（可选）
2. 选择合适的提示词模板
3. 点击"询问AI"开始识别
4. 结果自动复制到剪贴板

技术架构：为开发者而生

项目协作：撰写中

功能规划

已完成功能 (v1.0)

• [√] 全局快捷键截图（ALT+A）
• [√] 主流大模型支持（Qwen、GLM、Paddle、Custom、Tesseract）
• [√] 智能提示词管理（识别、翻译、解答、整理四大类）
• [√] 现代化UI界面（主题切换、侧边栏折叠）
• [√] 历史记录管理
• [√] 异步任务处理

开发中功能 (v1.1)

• 批量图片/文件处理
• 结果导出多格式（Markdown、PDF、Word、Excel）
• 本地大模型支持（支持 Windows 中的 Ollama 部署）
• 跨平台支持（Win/Linux/Mac）
• 移动端应用

加入我们🤝

如何贡献

1. 报告问题：发现bug？在GitHub提交Issue
2. 功能建议：有好想法？我们很乐意听取
3. 代码贡献：Fork项目，提交Pull Request
4. 文档完善：帮助改进文档和教程
5. 翻译工作：支持更多语言界面

联系我们

• 微信公众号：小帅随笔
• 项目主页：https://github.com/xstongxue/XS-VLM-OCR
• 问题反馈：https://github.com/xstongxue/XS-VLM-OCR/issues
• 讨论交流：https://github.com/xstongxue/XS-VLM-OCR/discussions

开源协议

本项目采用 MIT 许可证：

• ✅ 商业使用
• ✅ 修改源码
• ✅ 分发软件
• ✅ 私人使用
• ⚠️ 需保留版权声明

致谢

感谢以下开源项目：

• PaddleOCR
• Tesseract OCR
• Qt Framework

🌟如果这个项目对你有帮助，请给我们一个Star！

Made with ❤️ by XS-VLM-OCR Team

“不只是看见，更要理解”