案件材料进入大模型前，第一步不是提问，而是本地 OCR

《案件材料进入大模型之前》第二篇

一个律师收到六十页扫描案卷，最省事的动作是什么？

把 PDF 拖进大模型，然后问：请帮我整理时间线、归纳争议焦点、找出前后矛盾。

现在有些模型确实能够直接读扫描件，给出的摘要甚至看起来相当完整。可如果使用的是外部服务，在模型开始分析以前，另一件事已经先发生了：未经整理、未经脱敏的原始案卷，已经被完整提交出去。

律师没有机会先删去无关人员的信息，也没有机会先判断哪些页面根本不需要进入这次分析。

这就是为什么，案件材料进入大模型前，第一步不该是设计提示词。

需要识别的材料，应当先在本地变成可以检索、可以核对、可以继续脱敏的文字。

这里的重点不是“OCR”这个技术名词。重点是：客户的原始材料，第一次交给机器处理时，先去哪里。

不是所有 PDF 都该做 OCR

先把一个常见误区说清楚。

OCR 是光学字符识别，解决的是“页面里只有图像，没有可直接读取的文字”这个问题。律师电脑里的文件看上去都能打开，但里面的东西并不一样。

• Word、Excel 和文字层完整的 PDF，本来就有可读取的文字，通常应当直接提取；
• 纯扫描 PDF、手机拍照和聊天截图，实质上是一张张图片，需要 OCR；
• 有些 PDF 前几页有文字层，后几页是扫描附件，必须逐页判断；
• 横向表格、骑缝章、模糊复印件和手写批注，不能只按普通正文处理。

所以，更准确地说，第一步是材料分流：能直接取文字的，不要多做一次识别；只有扫描页和图片，才进入 OCR。

这不是技术洁癖。

原生文字经过一次没有必要的 OCR，也可能凭空多出错字。混合 PDF 如果整本只走一种处理方式，又可能漏掉其中一部分。律师后面看到一份连贯的文字，很容易忘记它其实来自几种不同质量的来源。

为什么这一遍识别应当尽量留在本地

云端 OCR 和多模态大模型当然方便。上传文件，等几秒钟，就能得到文字或摘要。对于公开资料、低敏感材料，或者经过评估后允许提交的文件，这类服务完全可能是合理选择。

我反对的不是云端工具本身。

我反对的是把含有客户姓名、身份证号、账户、签名、印章和完整案情的原始文件，默认交给一个尚未评估的数据处理服务，只因为它省了一步安装。

如果识别在本机完成，原始扫描件不需要为了“先变成文字”这件事，提前交给第三方 OCR 服务。律师可以先得到文字，再检查、纠错、脱敏，最后根据具体分析任务决定哪些内容有必要交给外部模型。

本地 OCR 的价值，不是让律师离开互联网，而是让原始材料在第一次机器处理时，仍留在律师控制的设备上。

当然，本地不等于绝对安全。

文件如果放在自动同步目录，电脑权限混乱，备份没有加密，或者设备本身失控，材料仍然可能泄露。本地只减少了识别阶段向外部提交原件的必要，不能代替设备管理和团队权限控制。

本地运行省下的，也不只是接口费

OCR 服务常见的收费方式，是按页数、次数或调用量计算。偶尔识别几页，费用可能不值得讨论；但律师经常面对的是成批合同、流水、病历、卷宗和聊天截图，长期使用会不断产生识别费用。

本地模型部署完成后，可以避免每处理一批材料就继续支付按量接口费，处理量越稳定，成本越容易预估。

但我不会把它说成没有成本。

设备要买，模型要占存储和内存，首次配置需要时间，版本需要维护，运行要用电，识别结果还要人工复核。遇到模糊扫描件、横向表格和手写内容，返工时间可能比接口费更贵。

所以，本地 OCR 的成本优势，不是“什么都不用付”，而是把持续的外部调用费用，变成由自己掌握的设备、维护和复核成本。

对材料量大、工作类型重复的律师团队，这种成本更可控；对一年只识别几份公开材料的人，专门部署本地系统未必划算。

可调校，不是换一个更大的模型

律师材料对 OCR 的要求，和把一张菜单识别成文字不一样。

一份判决书里，主体名称错一个字，检索就可能失效；银行流水里，金额少一个零，不是排版瑕疵；合同期限、案号、账户和日期识别错误，都可能直接影响后面的事实整理。

因此，我所说的“可调校”，首先不是训练一个新模型，而是可以根据材料类型改变处理方法和复核规则：

• 页面横了，先判断方向，再识别；
• 大幅表格不能照普通段落直接读取，要单独处理表格结构；
• 页面过小或过糊，要调整渲染方式，不能反复把同一张低清图片送进去；
• 普通正文可以按置信度筛查，姓名、主体、金额、日期、案号和账户则无论分数多高都要复核；
• 手写、签名、印章不能因为模型给出了文字，就取消人工终审；
• 阅读顺序和逐行证据位置是两种需求，不能为了得到一份漂亮的全文，悄悄把不同模型的结果拼在一起。

这才是本地系统真正值得调整的地方：不是只追求多认出几个字，而是决定什么材料走什么方法，什么错误必须被看见，识别结果怎样回到原页。

我现在给案件材料设了六条规则

我目前使用的本地 OCR，已经不是简单地“把 PDF 转成 TXT”。它会把便于核对的逐行结果与便于阅读的结构结果分开保存。具体实现和实测，我放到下一篇再讲。

在日常材料入口上，我先执行六条规则：

• 01｜直接提取：有可靠文字层的 PDF，直接提取，不强行 OCR；
• 02｜本地识别：扫描件和图片才进入本地识别；
• 03｜保留原件：任何校正都生成新的衍生文件，不覆盖原文件；
• 04｜钉回出处：识别文字必须带回页码和原页位置，不能只留一份失去出处的全文；
• 05｜分类检查：页面方向、正文、表格和签章分别检查，不用一次“处理成功”概括全部质量；
• 06｜关键项必核：普通低置信度文字进入复核，姓名、金额、日期、案号、账号等关键内容无论分数多少都复核。

这几条规则看起来不复杂，却改变了 OCR 在律师工作里的位置。

它不再是一个只负责打字的工具，而是案件材料进入后续处理前的登记和检查环节：原件在哪里，文字来自哪一页，哪些地方机器没有把握，哪些内容即使看起来有把握也不能放过。

本地只解决“先去哪里”，不解决“认得对不对”

有人会问：既然本地模型也会错，为什么不直接用识别能力更强的外部大模型？

答案是，这不是同一个问题。

模型强不强，讨论的是识别质量；材料先交给谁，讨论的是处理边界。外部模型可能在某些图片上表现更好，本地模型也可能在模糊文字、复杂表格和手写内容上失败。不能因为后一个问题难，就跳过前一个问题。

更不能因为 OCR 程序显示“完成”，就把输出当成已经查明的案件事实。

OCR 给出的只是候选文字。它可以帮助律师搜索、整理和进一步脱敏，但金额、日期、主体、期限、案号、签章等关键内容，仍然要回到来源页核对。

本地解决的是“材料先去哪里”，不是“机器一定认得对”。

而且，识别只是第一道门。

材料先在本地变成可核对的文字，才有条件在下一步查找并替换身份信息。完成脱敏以后，还要确认图片、文件名和隐藏文字层里没有遗留内容；真正提交给大模型时，也仍然只能选择完成任务所需的最少部分。

如果一个团队准备开始做这件事，不必先追求一套无人值守的复杂系统。可以先拿不含客户信息的测试材料，验证自己能不能同时保留四样东西：原文件、逐页图像、带出处的候选文字和明确的复核清单。

四样都留得住，识别才有可能被检查。

不能被检查的 OCR，再快，也不适合直接成为案件分析的事实基础。

下一篇

《我给律师工作做了一套本地 OCR：认出文字只是第一步》

本地运行解决了材料先不外传的问题，却不会自动解决错字、漏页、横向表格和手写内容。下一篇公开这套 OCR 的实际结构、几次返工，以及律师怎样把识别结果重新钉回原页。

资料说明

本文讨论一般工作方法，不构成对某一 OCR 产品或部署方式的购买建议，也不表示云端 OCR 一概不能用于律师工作。

技术资料核验截至 2026 年 7 月 20 日：

• PaddleOCR Quick Start；
• PP-OCRv6 Pipeline Usage；
• Tencent HunyuanOCR 官方仓库。

文中有关本地处理方法的内容，依据我正在使用的 glex-ocr 0.4.0 现行实现与本机实测整理。它说明的是一套可复核的工作方法，不是对所有材料识别准确率的承诺。