ABBYY Hot Folder распознаёт чеки локально и занимает лишь 25 МБ памяти

Чтение чеков кажется идеальной задачей для AI-агента: получил фотографию, распознал строки, выделил магазин, дату, позиции и сумму — готово. На практике между фотографией и структурированными расходами возникает маленький зоопарк из перекосов, мятых листов, странных шрифтов, разных языков и кассовых форматов. Автор материала проверил этот путь на полутора тысячах чеков и пришёл к неприятно полезному выводу: новая модель ещё не означает готовый продукт.

Самый наглядный контраст получился между самодельным конвейером и ABBYY Hot Folder — компонентом FineReader, знакомым автору с 2008 года. Пока современные инструменты требуют связывать несколько моделей и библиотек, Hot Folder просто наблюдает за папкой, подготавливает изображения, запускает OCR и сохраняет результат. В режиме ожидания программа, по наблюдению автора, занимает около 25 МБ памяти.

Почему распознать текст недостаточно

Первая версия агентского навыка использовала docTR. Внутри работают две модели: одна находит области с текстом, другая распознаёт символы. Но результат ещё нужно превратить в строки и расположить в правильном порядке. Для этого автор добавил bbox-align, а для выпрямления деформированных документов — docuwarp.

Так проявилась важная инженерная граница. OCR может правильно увидеть отдельные слова, но ошибиться в структуре документа. Координаты прямоугольников иногда приходят в неожиданном порядке, строки собираются неверно, а отдельные слова оказываются зеркальными или перевёрнутыми. Для иврита задача сложнее: основной текст читается справа налево, тогда как числа внутри него — слева направо. Значит, после распознавания нужен отдельный слой нормализации, который понимает направление письма и геометрию документа.

И даже это только половина работы. Чеки одной торговой сети могут различаться по расположению даты, номера филиала, скидок и налогов. Название магазина бывает изображением, товар — безымянной строкой, а один артикул может соответствовать нескольким позициям. Поэтому универсальная форма быстро ломается. LLM упрощает извлечение полей из неоднородного текста, но не отменяет проверку сумм, дат и товарных строк.

Что показала Xiaomi-OCR

Следующей попыткой стала Xiaomi-OCR-0, запущенная локально через llama.cpp на ноутбуке с 24 ГБ оперативной и примерно 0,5 ГБ видеопамяти. Модель загружалась по запросу и выгружалась после обработки, чтобы не занимать память постоянно. Тестовый чек на десять позиций распознавался примерно за 30 секунд.

На чётких и ровных изображениях результат оказался хорошим. На размытых чеках модель теряла фрагменты, иногда переходила на иероглифы и плохо справлялась со шрифтом Зюттерлина. Русский текст в конфигурации автора также работал нестабильно. Это не делает модель бесполезной, но показывает цену локальности: нужны тестовый набор, воспроизводимая версия модели и явный сценарий отказа.

Что брать в рабочую систему

Для Windows-машины, где допустима платная лицензия, Hot Folder остаётся сильной базовой линией. Он быстро выполняет подготовку изображения и OCR, а агенту можно оставить разбор полей, категоризацию расходов и валидацию. Если важны открытый код, переносимость и полный контроль над данными, связка docTR или Xiaomi-OCR с собственным постпроцессингом даёт больше свободы, но потребует заметно больше инженерной работы.

Практический вывод простой: начинайте не с выбора модной модели, а с набора реальных чеков и метрик. Измеряйте полноту строк, точность сумм, время обработки и долю документов, отправленных на ручную проверку. И обязательно держите простой готовый инструмент в качестве контрольной точки. Иногда лучший агент — тот, который пятнадцать лет молча следит за папкой и делает одну задачу без сюрпризов.