扫描件里的字都能抠出来，可一问表格里哪个数字最大就答不上，这就是只读字和读懂的差别。先说结论：只要提取文字，OCR 够用；要回答内容问题、整理结构，用文档理解。WPS AI、Kimi 这类工具已经把两条路打通，但底层能力是两回事。
先说结论：要字还是要意思
需求判断一句话：产出物是文本文件，OCR 到位；产出物是答案、摘要、结构化数据，文档理解上位。把纸质书电子化，用前者；问这份报告里核心指标怎么变，用后者。先定产出物再选工具，不会走弯路。
两条路线并不对立，不少产品就是「OCR 打底、理解加持」的组合方案，按内容复杂度自动分配，用的人感觉不到切换。
OCR的识别路线
OCR 的任务定义很窄：找到图里的文字区域，认出每个字符，输出纯文本加位置。它不关心这些字组成什么意思，语法对不对、逻辑通不通都管不着。几十年发展下来，印刷体的准确率已经很高，难点集中在手写体、艺术字、模糊拍照这些边缘情况。
它像一台高精度复印机，忠实搬运，一字不掺。
OCR 的输出通常带坐标信息，这是它常被低估的价值：知道每个字在页面的什么位置，才能做版面重建、搜索定位、比对差异这类下游活。只要坐标在，文字就还有结构可用。
文档理解的多模态路线
文档理解模型不只认字，还要把版面、表格、图文关系一起纳入理解：这一段是标题还是正文，这两列数字属于哪一行，页脚的注释指向哪句话。回答问题时，它在理解层检索和推理，而不是把原文复读一遍。
可带走的判断：OCR 的输出是给人看的素材，文档理解的输出是直接回答问题的答案，两者交付物不同。
上下文补全是理解路线的独门活：扫描件里被墨迹盖住的字，OCR 束手无策，理解模型却能按前后文推出大概率是什么，并标注出这是推测。这类能力在处理老档案、破损文件时特别受用，当然，关键内容仍要人工复核。
版面和表格谁更拿手
表格是最能拉开差距的场合。多栏排版、合并单元格、跨页表格，OCR 只能按位置输出一堆字符，列与行的对应关系要人工重建；文档理解能按语义还原结构，直接给出整理好的行和列。同理，长文档问答、带图表的报告解读，都该走理解路线。
反过来，要把一屋子纸质档案批量变成可检索文本，OCR 的速度和成本优势无可替代，没必要杀鸡用牛刀。两条路线配合也常见：先用 OCR 拿到干净文本，再交给理解模型加工。读文档之外，声音侧的分工见语音识别和语音合成差在哪；处理时机的差异看实时转写和离线转写有什么区别；看视频的两条路，见视频理解和视频生成有什么区别。
成本参考：OCR 按页计价低到几厘几分，文档理解按 token 计量贵出一个量级。日常批量大、问题少，OCR 便宜；页数少、问题多，理解路线划算。先算问答频次再选，账目才清爽。
按产出物把两条路对一遍，选型就清楚了。
| 要的产出物 | 该走哪条 | 原文给的理由 |
|---|---|---|
| 可检索的纯文本 | OCR | 按页计价低到几厘几分，批量速度和成本无可替代 |
| 表格的行列结构 | 文档理解 | 按语义还原行列，OCR 只能按位置输出一堆字符 |
| 文档问答与摘要 | 文档理解 | 在理解层检索推理，直接给答案而不是复读原文 |
| 破损件的补字 | 文档理解 | 按前后文推测并标注，关键内容仍要人工复核 |
| 手写笔记 | 两条接力 | 先 OCR 认字，认不出的交理解模型结合上下文补全 |
读字与读懂对照表
- 批量电子化存档：OCR，快而省。
- 表格结构还原：文档理解，省人工。
- 文档问答摘要：理解路线直接给答案。
末句：先想清楚要素材还是要答案，工具就对号了。
换个问法再问OCR三句
- OCR 认不出的字模型能猜吗？：文档理解模型会结合上下文推测，但猜测内容需人工核对，别全信。
- 手写笔记适合哪条路？：先 OCR 认字，认不出的交给理解模型结合上下文补全，双道把关。
- 两种能力会合并吗？：产品层面已经在合并，底层仍各司其职，分工逻辑长期有效。
