MultimodalOCR

用29项细粒度任务，测出多模态大模型的OCR真实水平

MultimodalOCR 是 OCRBench 的官方开源实现，聚焦于评测大型多模态模型（LMM）在 OCR 任务上的真实能力。项目通过构建覆盖文本识别、场景文本 VQA、文档理解、关键信息抽取、手写识别等五大类共 29 个子任务的基准，系统性地揭示当前多模态模型在文字感知与理解上的短板。它解决的核心问题是：现有 OCR 评测多局限于传统模型或单一场景，缺乏对通用多模态大模型 OCR 能力的统一、细粒度衡量标准。项目提供完整评测代码、数据准备脚本和模型接入接口，支持对 GPT-4V、Gemini、Qwen-VL 等主流模型进行标准化打分，并输出细分维度的能力雷达图，帮助研究者和开发者定位模型弱项，指导后续训练与选型。