惊艳效果展示：深求·墨鉴OCR如何完美保留古籍排版结构

惊艳效果展示：深求·墨鉴OCR如何完美保留古籍排版结构

你有没有试过把一本泛黄的《四库全书》子部影印本拍照上传，期待AI识别出文字——结果却得到一段挤成一团、不分段落、公式乱码、页眉页脚混作一行的“文字浆糊”？
又或者，面对一页带双栏、夹注、朱批、鱼尾、版心的宋刻本扫描图，传统OCR工具只给你吐出从左到右硬拉平的单行文本，连“右栏第3行小字双行夹注”都无从分辨？

这不是识别不准的问题，而是结构失语——当技术只盯着“字”，就看不见“章法”。

而「深求·墨鉴」（DeepSeek-OCR-2）做的，恰恰是反其道而行：它不急于把古籍变成可复制的字符串，而是先静观其形、细辨其势、默记其序，再以水墨般的耐心，将整页纸的呼吸节奏、疏密气韵、层级筋骨，一并译为数字世界的结构语言。

本文不讲模型参数、不列F1分数，只用真实古籍片段说话——带你亲眼看看：一页活脱脱的明代刻本，如何在点击“研墨启笔”后，完整还原出双栏布局、小字夹注、版心题名、甚至墨钉与断板痕迹的语义映射；一张模糊的清代手稿，怎样被拆解为“正文—眉批—侧批—印章”的四级结构树；一份带雕版插图与图说的《天工开物》，又是如何让文字、图像、图注三者位置关系毫发毕现地落入Markdown骨架之中。

这才是真正属于中文古籍的OCR：不是把纸变字，而是让纸在数字世界继续呼吸。

1. 古籍不是平面，而是立体结构——为什么普通OCR总在“平铺直叙”

要理解深求·墨鉴的惊艳之处，得先看清传统OCR的思维盲区。

1.1 文字≠文档：古籍的“三维性”被长期忽略

我们习惯把一页古籍看作二维图像，但对古人而言，它是一套精密的空间语法系统：

• 纵向层级：正文（大字）→ 夹注（双行小字）→ 眉批（上空余白处）→ 侧批（行间空白）→ 版心（中缝题名、页码、刻工名）
• 横向秩序：单栏/双栏/三栏布局；栏间空隙非留白，而是语义分隔带；鱼尾左右常对应不同内容模块
• 视觉标记：墨钉（●）标重点、圈点（、。）断句、朱砂批校色差即权属、版框粗细暗示章节起止

传统OCR引擎（包括多数多模态模型）默认将整图切分为“文字块→行→字”三级扁平结构。它能认出“子曰学而时习之”，却无法回答：“这句话在右栏第2页第4行，上方有朱批‘此章总纲’，左侧版心刻着‘论语卷一’”。

这不是识别能力不足，而是建模维度缺失——它把《兰亭序》当成了Word文档，却忘了真迹里每一处涂改、每一道折痕，都是意义的一部分。

1.2 DeepSeek-OCR-2的破局点：用“视觉令牌”重定义结构感知

深求·墨鉴背后的核心技术DeepSeek-OCR-2，并未沿用“检测框+OCR识别”的经典流水线。它的创新在于：将整页图像压缩为一组携带空间语义的“视觉令牌”（visual tokens），再由语言模型直接解码为结构化文本。

这个过程像一位老校勘师的工作流：

• 先远观：用全局编码器捕捉版式骨架（双栏？有无界格？版心位置？）
• 再近察：用窗口注意力定位细节区域（此处是眉批区，字体偏小，墨色稍淡）
• 最后提神：将空间关系注入token序列（“[BORDER:RIGHT] [COLUMN:2] [LINE:4] [ANNOTATION:MEI]”）

因此，它输出的不是纯文本，而是带空间坐标的语义节点流——每个文字块都自带position="right-column, line-4, annotation"这样的元数据标签。后续的Markdown生成，不过是把这些标签翻译成> 此章总纲（引用块）、<small>子曰学而时习之</small>（小字）、::: right-column（自定义容器）等标准语法。

这解释了为何它能“看见”其他工具视而不见的结构：因为它的起点不是像素，而是古籍自身的空间逻辑。

2. 真实案例直击：三页古籍，三种结构难题的完美破解

下面展示三个典型场景的真实解析效果。所有图片均来自公开古籍数据库（国家图书馆藏明嘉靖刻本《史记》、清光绪石印本《聊斋志异》、民国影印宋刻本《文苑英华》），未经任何预处理优化。

2.1 案例一：双栏夹注本《史记·五帝本纪》——还原“正文-夹注”嵌套结构

原始图像特征：

• 左右双栏，栏宽不等（右栏略窄）
• 正文大字，每行18字；夹注双行小字，每行36字，嵌于正文行间空隙
• 夹注前有墨钉（●），末尾有“【注】”字样

传统OCR输出（对比参考）：

子曰黄帝者少典之子姓公孙名曰轩辕生而神灵弱而能言幼而徇齐长而敦敏成而聪明轩辕之时神农氏世衰诸侯相侵伐暴虐百姓而神农氏弗能征于是轩辕乃习用干戈以征不享诸侯咸来宾从…●黄帝者少典之子也【注】按史记正义引帝王世纪云少典者有熊国君…

深求·墨鉴输出（Markdown源码节选）：

#### 五帝本纪 > **【注】** 按《史记正义》引《帝王世纪》云：“少典者，有熊国君……” 子曰黄帝者，少典之子，姓公孙，名曰轩辕。生而神灵，弱而能言，幼而徇齐，长而敦敏，成而聪明。 > 黄帝者，少典之子也。 > 【注】按《史记正义》引《帝王世纪》云：“少典者，有熊国君……”

关键亮点：

• 自动识别双栏并分离左右内容（右栏为正文，左栏为注文）
• 将夹注准确归入对应正文段落下方，用>引用块+<small>标签呈现
• 保留墨钉语义，转化为加粗标题“【注】”
• 版心题名“史记卷一”自动提取为二级标题#### 五帝本纪

2.2 案例二：眉批侧批共存本《聊斋志异·考城隍》——构建四级批注体系

原始图像特征：

• 单栏正文，行距宽松
• 上方眉批（朱砂书写，字大）：评整体立意
• 行间侧批（墨笔小字）：注字词训诂
• 文末印章：“蒲松龄印”“柳泉居士”

深求·墨鉴可视化结构图（笔触留痕栏截图描述）：

• 整页被划分为5个语义区域：[MAIN_TEXT]、[MARGIN_TOP:RED]、[MARGIN_SIDE:INK]、[FOOTER]、[SEAL]
• 每个区域标注置信度（眉批98.2%，侧批95.7%）
• 侧批精准锚定至对应正文字符位置（如“有”字右侧空白处标注“有：通‘友’，结交也”）

输出效果（部分）：

> **【眉批】** 此篇借阴司设问，实写阳世公道，蒲公胸中丘壑，尽在尺幅之间。 > 考城隍。予姊丈之祖，宋公讳焘，邑廪生。会病卒…… > **【侧批】** *有：通‘友’，结交也* > **【侧批】** *冥王：阴司主神，掌生死簿* > **【印文】** 蒲松龄印｜柳泉居士

结构价值：

• 眉批、侧批、印章被赋予不同语义标签，支持后续按类型批量导出或检索
• 侧批与正文字符级对齐，为训诂研究提供精准坐标
• 朱批墨批自动区分颜色语义（虽输出为文本，但元数据保留color="red"）

2.3 案例三：图文混排本《天工开物·乃粒》——保持图-文-图说空间绑定

原始图像特征：

• 左图右文布局
• 插图：木刻耕牛犁田图，线条清晰但有雕版断刀痕迹
• 图说：位于图下方，小字双行，含技术参数（“一牛可耕十亩”）
• 正文：紧接图说之后，论述耕作原理

深求·墨鉴处理逻辑：

1. 先识别图像区域边界（<figure>）
2. 提取图说文本，绑定至<figcaption>
3. 将正文首段标记为<p><figure> ![](https://cdn.example.com/tiangong-1.png) <figcaption>耕牛犁田图。一牛可耕十亩，日行二十里。</figcaption> </figure> <p>