# 影片筆記：PP-OCRv6正式发布！Tiny仅1.5M、本地浏览器单图97ms，我实测用MCP把OCR能力接入AI工作流，开发者的文字识别引擎又进化了


<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->
## ⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

- 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

## 一句話總結

影片介紹百度發布的 PP-OCR V6 模型，強調其參數極小（Tiny 僅 1.5M）、運行速度快（本地瀏覽器單圖 97ms），並示範如何利用 MCP（Model Context Protocol）協議將該 OCR 能力接入 AI 工作流（如 Codex），實現高效的文字提取。

## 核心重點

1.  **PP-OCR V6 模型特性**：
    *   這是基於傳統架構升級的版本，與基於 VLM（視覺語言模型）的 VL1.6 不同。
    *   **參數極小**：Tiny 版本僅 1.5M，整體參數範圍從幾兆到幾百萬不等。
    *   **運行環境靈活**：支援 CPU 運行，甚至可在手機端（Android/iOS）運行。
    *   **性能表現**：在特定測試中平均分達 84 分，優於對比模型 GPT5.5 的 45 分。
    *   **能力定位**：專注於純視覺文字提取，無推理能力。

2.  **MCP 技術應用**：
    *   講者示範在 Codex 開發環境中安裝與配置 MCP 伺服器。
    *   透過獲取 Token 並配置 MCP 伺服器，成功調用 PP-OCR V6 模型。
    *   強調利用 AI 輔助生成配置比手動設置更簡單，實現了從圖片到文字內容的自動化提取。

3.  **模型對比與選擇**：
    *   **PP-OCR V6**：適合純文字提取任務，無推理能力，效能強大。
    *   **VL1.6**：基於 VLM 架構，具備通用文檔識別與推理能力。
    *   建議開發者可根據需求接入各種 Agent 進行嘗試。

## 詳細大綱

### 1. PP-OCR V6 模型介紹
*   **發布背景**：百度推出全新 OCR 模型 PP-OCR V6。
*   **架構差異**：
    *   PP-OCR V6 基於傳統架構，專注於純視覺提取。
    *   對比 VL1.6（基於 VLM 大語言模型架構），V6 沒有推理能力。
*   **參數與運行環境**：
    *   參數規模極小，從幾兆到 350 萬參數不等。
    *   支援 CPU 運行，支援手機端（Android/iOS）。
*   **性能表現**：
    *   平均分 84 分。
    *   對比 GPT5.5 在特定測試中僅得 45 分，PP-OCR V6 效能更強。

### 2. MCP 在 Codex 中的安裝與使用
*   **安裝方式**：透過 AI 協助生成配置，而非手動設置。
*   **具體步驟**：
    1.  獲取 Token。
    2.  配置 MCP 伺服器。
    3.  重啟服務。
*   **實際操作**：透過 MCP 調用 PP-OCR V6 提取圖片文字，驗證了技術可行性。

### 3. 模型能力與應用場景
*   **PP-OCR V6**：純視覺模型，專注圖片文字提取，無推理能力。
*   **VL1.6**：通用文檔識別提取，具備推理能力。
*   **應用建議**：可接入各種 Agent 進行嘗試，結合 MCP 協議擴展 AI 工作流。

## 工具 / 模型 / 名詞整理

*   **PP-OCR V6**：百度推出的新 OCR 模型，基於傳統架構。
*   **PP-OCR VL1.6**：百度之前推出的基於 VLM 的模型。
*   **Codex**：講者使用的開發環境/工具。
*   **MCP (Model Context Protocol)**：講者演示安裝的伺服器協議，用於連接 AI 與外部工具。
*   **GPT5.5**：作為性能對比參考的模型。
*   **Tiny**：PP-OCR V6 的模型版本之一，參數僅 1.5M。
*   **Android**：支援的作業系統。
*   **iOS**：支援的作業系統。
*   **HunkFace**：講者提到模型在此處開源的平台（疑點：通常指 Hugging Face）。
*   **ONIX**：講者提到的手機端版本名稱（疑點：可能指 ONNX 格式）。
*   **Midia**：PP-OCR V6 的模型版本之一（疑點：可能指 Medium）。
*   **Codeout**：講者提到的其他開發環境（疑點：可能指 Cursor 或其他）。
*   **小東西**：講者提到的其他開發環境（疑點：可能指 Cursor 或其他）。
*   **VRM**：逐字稿中多次提到「基於 VRM 的一個模型」（疑點：通常視覺語言模型縮寫為 VLM）。
*   **SOSA**：逐字稿中提到「頂級了 SOSA 的这些模型」（疑點：通常指 SOTA）。
*   **浮器**：逐字稿中提到「在浮器上」（疑點：通常指「瀏覽器」）。
*   **刷信**：逐字稿中提到「直接刷信一下」（疑點：通常指「刷新」）。

## 操作流程整理

1.  **準備環境**：在 Codex 開發環境中準備調用 MCP 伺服器。
2.  **獲取憑證**：獲取必要的 Token。
3.  **配置伺服器**：透過 AI 輔助生成配置，設置 MCP 伺服器。
4.  **重啟服務**：重啟相關服務以應用配置。
5.  **調用模型**：透過 MCP 協議調用 PP-OCR V6 模型。
6.  **執行提取**：輸入圖片，模型返回提取的文字內容。

## 值得注意的限制或風險

*   **模型能力限制**：PP-OCR V6 是純視覺模型，專注於文字提取，**無推理能力**。若需理解或推理內容，應使用 VL1.6 等基於 VLM 的模型。
*   **辨識疑點影響**：逐字稿中存在多個疑似識別錯誤的名稱（如 HunkFace, ONIX, Midia, Codeout, 小東西, VRM, SOSA, 浮器, 刷信），可能影響對具體技術細節或工具名稱的準確理解，需查證原始資料。

## 逐字稿辨識疑點

*   **HunkFace**：逐字稿中寫為「HunkFace」，通常開源模型平台為 Hugging Face，此處需查證。
*   **ONIX**：逐字稿中寫為「ONIX」，在 AI 模型領域通常指 ONNX 格式，此處需查證。
*   **Midia**：逐字稿中寫為「Midia」，通常模型大小分類為 Tiny, Small, Medium, Large 等，此處需查證是否為 Medium 的誤聽。
*   **Codeout**：逐字稿中寫為「Codeout」，常見開發環境為 Cursor, VS Code 等，此處需查證。
*   **小東西**：逐字稿中寫為「小東西」，作為開發環境名稱顯得突兀，需查證是否為特定工具暱稱或聽寫錯誤。
*   **VRM**：逐字稿中多次提到「基於 VRM 的一個模型」及「基於 VRM」，通常視覺語言模型縮寫為 VLM，此處需查證。
*   **SOSA**：逐字稿中提到「頂級了 SOSA 的这些模型」，通常指 SOTA (State of the Art)，此處需查證。
*   **浮器**：逐字稿中提到「在浮器上」，通常指「瀏覽器」，此處需查證。
*   **刷信**：逐字稿中提到「直接刷信一下」，通常指「刷新」，此處需查證。
*   **提起來的效果**：逐字稿中提到「看它提起來的效果」，語意不通，可能為「提取出來的效果」，此處需查證。
*   **变得文字内容**：逐字稿中提到「变得文字内容吧」，可能為「變成文字內容」，此處需查證。

## 可延伸追問

1.  PP-OCR V6 的 Tiny 版本（1.5M）在實際手機端運行時的具體功耗與溫度表現如何？
2.  若需結合推理能力，應如何將 PP-OCR V6 的提取結果與 VL1.6 或其他 LLM 進行串接？
3.  MCP 協議在接入不同開發環境（如 Codex, Cursor 等）時，配置上有何具體差異？
4.  逐字稿中提到的「HunkFace」、「ONIX」、「Midia」等名稱，經查證後正確的技術術語為何？