Model and Modality Playbooks2026年9月12日Flatkey Team

OCR 模型路由：如何平衡文本提取成本、质量和回退检查

使用这套 OCR 模型路由框架，在标准化文档 AI 流量之前，比较 OCR API 成本、提取质量和回退约束。

如果你正在规划 OCR 模型路由，真正有风险的并不是找不到一个能够从扫描件中读取文本的 OCR 模型。真正有风险的是：决定哪条路由处理简单图片，哪条路由处理多页 PDF，哪条路由提取结构化字段，以及当第一条路由失败时，允许哪个回退去处理同一类文档。

这就是为什么 OCR 模型路由应该从工作负载策略开始，而不是从供应商排行榜开始。低成本的文本 OCR 路径对于发票来说可能是错误选择；高质量的结构化提取器用于海量归档文本时可能是浪费；回退在表面上看起来很可靠，但它可能会悄悄丢掉表格、超出页数限制，或者在重试风暴中让成本翻倍。

本指南为媒体、产品和工程团队提供一种实用方法，帮助他们在标准化文档流量之前平衡文本提取成本、质量和回退检查。它将 AI OCR API 路由和文档 AI 模型路由视为运行决策，而不是一次性的基准测试练习。

快速答案

最安全的 OCR 模型路由策略会将文档任务分为四类：

Route class	Use it for	Primary decision	Fallback rule
Plain text OCR	Screenshots, scanned notes, simple image text, searchable archives	Lowest approved cost per accepted page	Fallback only to another route that preserves text completeness and language coverage
Layout-aware OCR	PDFs, receipts, reports, catalogs, slide exports	Reading order, tables, paragraphs, and downstream chunk quality	Fallback only when layout quality remains acceptable
Structured extraction	Invoices, tax forms, contracts, IDs, claims, applications	Field accuracy and schema stability	Fallback only to a route that can return the same required fields
Restricted documents	Regulated or contract-sensitive files	Data handling, retention, region, and vendor approval	Fallback only inside the same approved provider set

这就是 OCR 模型路由的核心：选择最适合文档及其输出形式的路由，然后只在备用方案能够满足相同的成本、质量和控制要求时才允许回退。

为什么文本提取成本容易被误读

OCR API 成本很少只是一个简单的数字。供应商可能会分别对基础 OCR、布局分析、表单、表格、查询、自定义提取或批处理定价。有些页面按页计费。有些工作流在同一页面需要结构化字段时会收取更高费用。有些限制会把流量从同步调用推送到异步任务。

在比较 OCR 路由之前，请将每个候选方案归一化为相同的操作单位：

指标	为什么它应该出现在路由表中
每个已接受页面的成本	如果某条路由会产生更多被拒绝的输出或重试，那么原始页面价格并不够。
每个已接受结构化文档的成本	发票和表单应按可用字段输出来衡量，而不只是按 OCR 文本来衡量。
同步页面/文件限制	无法接受该文件形态的路由不能作为有效回退。
异步作业限制	大型 PDF 和归档批次需要感知队列的路由。
功能层级	表单、表格、查询、签名和版式都会改变实际价格。
配额和限流行为	在低吞吐量下看起来便宜的路由，在批量负载下可能会失败。

官方定价页面说明了为什么单位归一化很重要。Amazon Textract 定价为 Detect Document Text、Analyze Document、Analyze Expense、Analyze ID 和 Analyze Lending 列出了单独的 API 和功能。其示例显示，在美国西部（俄勒冈），Detect Document Text 的价格为前 100 万页每页 $0.0015，而用于表单和表格的 Analyze Document 示例则将每个表格页 $0.015 与每个表单页 $0.05 组合计价。Google Document AI 定价将 Enterprise Document OCR、OCR add-ons、Layout Parser、Custom Extractor 和 Form Parser 列为单独的计费对象。Azure Document Intelligence 说明计费按月根据模型类型和已分析页数计算，其服务限制页面将路由行为与文件大小、页数以及每秒事务数限制绑定在一起。

OCR 模型路由的教训很简单：在统一工作负载、输出形态、计费单位和重试策略之前，不要比较各家供应商的首页标价。

在基准测试模型之前先构建路由表

团队常常会把几份测试文档送入多个 OCR 模型，然后选择那个“看起来最好”的模型。这对于演示可能有效，但无法形成持久的路由策略。

先构建路由表。对于文档 AI 模型路由来说，这个表是契约，它能防止简单 OCR、版式提取和结构化提取都坍塌为同一条默认路由。如果你已经在网关中跟踪路由质量，可以将此表与一个 AI 路由 API 指标评分卡配合使用：

工作负载	示例输入	所需输出	默认路由行为	拒绝条件
可检索档案 OCR	扫描版 PDF、截图、历史报告	可接受阅读顺序的纯文本	最低成本的已批准路由	缺页、语言错误、顺序混乱
收据或发票录入	收据、发票、付款文档	字段、总计、日期、明细行	结构化提取路由	必填字段缺失或置信度过低
目录或报告理解	产品目录、密集报告、幻灯片组	具备版面感知的文本和表格	带表格检查的版面路由	表格合并、列丢失、章节顺序被破坏
身份证或申请审核	身份证、申请表、入职表单	特定字段以及审计轨迹	已批准的受限路由	提供商未获授权、保留策略未知、字段不匹配
批量迁移	大型 PDF 或图像档案	完整的页面覆盖	带页面容量余量的异步路由	作业过大、限流、未完成

一旦有了这张表，模型评估就会更有价值。你不再是在问“哪个 OCR 模型最好？”而是在问“对于这个确切的文档类别，以这个成本和回退风险，哪条路由是可接受的？”这就是演示与能够经受生产流量考验的 AI OCR API 路由之间的实际差别。

质量门槛应与输出匹配，而不是与演示匹配

OCR 质量需要针对不同工作负载设置不同的门槛。

对于纯文本 OCR，衡量：

页面覆盖率。
字符和词语完整性。
阅读顺序。
对语言和手写体的容忍度。
需要人工复核的页面占比。

对于版面感知 OCR，衡量：

段落分组。
标题层级。
表格边界。
列顺序。
下游搜索、检索或复核界面质量是否提升。

对于结构化提取，衡量：

必填字段精确率。
必填字段召回率。
日期、金额、姓名和 ID 的规范化稳定性。
置信度校准。
主路由和回退路由之间的 schema 兼容性。

这正是许多 OCR 模型路由项目失败的地方。返回纯文本的回退并不等同于结构化发票提取器。即使某条路由保留了大多数词语，但丢失了表格边界，仍然可能破坏检索或复核工作流。一个精度很高但无法处理相同页数的模型，也不是批量 PDF 的安全回退选择。

回退检查是一项产品需求

回退不应该意味着“再试一个 OCR 提供商”。它应该意味着“尝试另一条已批准的路由，这条路由能够满足相同的工作负载契约”。

在某条路由可以成为回退之前，请使用这份清单：

回退检查	通过条件
相同文档类别	回退方案接受相同的文件类型、页数和大小。
相同输出契约	回退方案返回相同的必需文本、版式或字段。
相同数据控制	回退方案满足相同的保留、区域和客户合同规则。
相同可观测性	回退方案记录路由、成本、延迟、错误、置信度和拒绝原因。
受限重试成本	按作业、租户和批次限制重试与回退预算上限。
人工复核路径	非等价失败进入复核，而不是静默降级。

Amazon Textract 是一个有用的例子，说明为什么回退资格必须包含文档限制：它的 document limits 说明同步 PDF 和 TIFF 操作仅限一页，而异步 PDF 和 TIFF 操作最多允许 3,000 页。Azure Document Intelligence service limits 记录了 Standard 层分析事务默认 15 TPS 的限制、500 MB 的最大文档大小，以及 2,000 页的分析限制。Google Document AI quotas 记录了处理器配额、在线请求限制，以及生成式处理器版本的每分钟页数配额。

这些约束并不是边缘情况。它们决定了回退是否有效。

OCR 模型路由的实用决策树

当新的文档任务进入流水线时，使用这棵决策树：

在调用 OCR 路由之前先对文档分类。
决定输出需要纯文本、版式，还是结构化字段。
排除不满足保留、区域、合同、文件类型、页数或配额要求的路由。
估算每个被接受输出的成本，而不仅仅是原始每页成本。
运行主路由。
应用与工作负载相关的质量门控。
仅对瞬时错误或安全的幂等失败进行重试。
仅在相同路由类别内进行回退。
将非等价失败发送到复核或批处理队列。
记录路由决策、成本、置信度、回退原因，以及最终接受/拒绝状态。

以下是简化形式的路由策略：

document_job:
  classify:
    inputs: [file_type, page_count, document_type, customer_tier, data_region]
  exclude:
    - route_not_approved_for_data_policy
    - route_page_limit_below_job_size
    - route_missing_required_output_contract
  choose_primary:
    optimize_for: cost_per_accepted_output
    guardrails: [quality_gate, latency_budget, quota_headroom]
  fallback:
    allowed_only_when:
      - transient_error
      - same_route_class
      - same_output_contract
      - retry_budget_remaining
    otherwise: manual_review
  observe:
    log: [route, model, cost, latency, confidence, error_class, fallback_reason]

策略比模型列表更重要。以后可以添加新的 OCR 模型，而无需重写文档工作流。

Flatkey 在 OCR 模型路由中的作用

当团队希望为模型访问、支出可见性和路由审查提供一个统一的运维层，而不是把提供商密钥分散到各个代理、作业和服务中时，Flatkey 在 OCR 模型路由中很有用。如果你的团队仍在直接配置提供商账户，请先阅读统一 AI API 工作流，然后再参照模型回退策略手册来映射 OCR 特定的回退规则。

Flatkey 当前的公开网站将产品定位为围绕一个密钥、一个平衡机制、模型和工具使用、按成功调用计费、共享账本，以及一个包含实时可用性、价格、端点支持和模型详情页面的公开模型目录。对于 OCR 工作流而言，这使网关最适合作为控制平面：验证可用的多模态或文档能力路由，定义哪些工作负载可以使用它们，并在一个地方查看路由级别的成本和失败情况。

不要把任何网关目录当作你自己 OCR 质量测试的替代品。应将其视为一个让已批准路由、使用数据、回退策略和成本控制更易于运维的地方。当你准备比较路由经济性时，请使用当前的 Flatkey 定价页面，而不是旧实现说明中的过时模型名称。