Add FireRed OCR comparison and preserve attribution layout

2026-10-29 00:14:13 +08:00
parent cad96d59c8
commit 166ea871d3
10 changed files with 355 additions and 16 deletions
@@ -88,3 +88,23 @@ EPUB 在临时文件中构建并通过结构审计后才替换输出。没有依
 ```

 源 SHA、行 ID 或 expected 不匹配就停止；重复条目和空替换也拒绝。原始 `pages/*.json` 不改写，校正写在派生 `book.json` 和报告里，可在重建时重复应用。识别内容变化会改变输出版本标识。此功能用于有证据的文字校对，不替代全书审读。
+
+
+## FireRed OCR 服务与前 50 页对比
+
+`--ocr firered --ocr-url http://HOST:PORT` 使用显式指定的 OpenAI-compatible 服务，默认模型别名为 `firered-ocr`，可用 `--ocr-model` 更换。客户端仅新增标准库 HTTP 调用，复用 Pillow，不下载模型。当前适配器面向无需认证的内网服务。
+
+```bash
+.venv/bin/python scripts/pdf_to_epub.py input/chinese.pdf \
+  --output output/pdf/firered-sample.epub --work .work/pdf-firered \
+  --language zh-CN --title '书名' --author '作者' --pages 1-50 \
+  --ocr firered --ocr-url http://192.168.50.100:8001 --cover-page 1
+```
+
+输入图片最长边限制为 1600px，请求 temperature=0、max_tokens=1800，适配本次服务 4096-token 上下文。`--ocr-prompt FILE` 可以指定识别提示；实验使用官方 `conv_for_infer.py` 的提示，来源为 [FireRed-OCR 官方仓库](https://github.com/FireRedTeam/FireRed-OCR)。图片有效内容及设置参与缓存指纹，原始 Markdown、响应、用量和耗时写入工作目录。响应必须正常结束；截断结果保留为 rejected 文件并停止，不当作完整页面接受。
+
+FireRed 返回 Markdown，没有可信的字行坐标和逐字置信度。适配器保留段落和简单标题，未知 bbox 为 null，不虚构坐标。可用 `--geometry-work .work/previous-vision` 引用同源、同页 Vision 缓存的几何信息；模块检查源 SHA 并通过文本对齐匹配坐标，记录来源和匹配比例，正文仍全部来自 FireRed。没有几何参考时不保证还原署名等空间对齐。
+
+署名／日期等短窄右侧行保持独立段落和右对齐，日期不再误当页眉页脚删去；这些段落也不会跨页拼接。扫描混合图文仍需显式保留原页，不自动裁图。
+
+`scripts/compare_pdf_ocr.py` 生成逐页原扫描／Vision／FireRed 对照。两引擎文本一致率不等于准确率；可提供人工核对片段测算局部字错率，不能推广为全部页面准确率。首轮结果和方法见 [50 页验收记录](QA_FIRERED_50_2026-10-29.md)。