做文字识别，用多模态大模型还是传统 OCR

先这样答

按需求选，不按新旧选。传统 OCR 是「检测加识别」的两步流水线：先在图上找到文字区域，再逐个区域认字，输出带坐标的文本，特点是快、便宜、结果确定。多模态大模型是端到端读图，能理解版面、输出结构化结果、回答和内容相关的问题，代价是更贵、更慢，而且偶尔会认错得「看起来很通顺」。

分场景看：大批量、版式固定、要精确坐标的处理，比如票据和表单流水线，传统 OCR 仍然更稳；复杂文档、手写体、弯曲文本、表格公式混排，或者目标不是认字而是理解和提取，多模态模型优势明显。实践里两者经常组合：OCR 负责定位和原始文本，模型负责理解、纠错和结构化。

收尾一句话：识别是流水线的强项，理解是模型的强项，选型先问要的是文字本身，还是文字背后的结构。

面试官会怎么追问

• 「多模态模型会认错字吗？」 会，而且错得隐蔽：它按语义补全，模糊区域可能输出一个通顺但不存在的词。传统 OCR 的错误更像碎片，容易检测；高风险场景要加校验或双通道核对。
• 「什么情况下传统 OCR 不可替代？」 要求结果可复现、延迟低、单张成本低的大规模处理，以及必须输出精确坐标的场景。模型输出有随机性，成本和延迟通常也更高。
• 「两者怎么结合？」 常见有两种：OCR 先出文本和坐标，模型在上面做理解和结构化；或者模型直出结构化结果，再用 OCR 的坐标做交叉核对，两边不一致的触发人工复查。

回答的坑

• 说「大模型全面取代 OCR」。批量、低成本、要坐标的场景，传统流水线更稳更便宜，选型看需求不看新旧。
• 只拿准确率比。成本、延迟、确定性、部署条件都是选型变量，只聊准确率说明没做过实际工程决策。