---
term: "OCR"
slug: "ocr"
glossar_id: "G615"
variants: []
category: "multimodalitaet-und-angrenzende-generative-ki"
marker: ""
short: "Erkennen und Extrahieren von Text aus Bildern oder Dokumentabbildungen."
sources:
  - label: "Liu et al.: OCRBench"
    url: "https://arxiv.org/abs/2305.07895"
  - label: "Yue et al.: MMMU-Pro"
    url: "https://arxiv.org/abs/2409.02813"
status: "entwurf"
updated: "2026-09-21"
---

OCR steht für optische Zeichenerkennung, also das Auslesen von Text aus Bildern. Das Gebiet ist Jahrzehnte alt, und spezialisierte Systeme liefern bei sauberen Vorlagen sehr hohe Genauigkeit. Neu ist, dass multimodale Sprachmodelle dieselbe Aufgabe nebenbei erledigen, mit anderen Stärken und Schwächen. [Liu et al.](https://arxiv.org/abs/2305.07895)

## Zwei Wege mit unterschiedlichem Profil

Spezialisierte Erkennung ist genau, schnell und billig, liefert aber nur Text mit Positionen. Die Zuordnung, welcher Wert zu welchem Feld gehört, muss danach jemand programmieren. Multimodale Modelle verstehen die Struktur eines Formulars und können direkt beantworten, was in einem bestimmten Feld steht, sind dabei aber teurer und bei kleiner Schrift, Handschrift und schlechten Scans fehleranfälliger.

Auswertungen zeigen deutliche Unterschiede zwischen Textarten und Bildqualitäten. Ergänzende Texterkennung im Prompt bringt dabei wenig, während schrittweises Vorgehen hilft. [Yue et al.](https://arxiv.org/abs/2409.02813)

## So kannst du dir das vorstellen

Ein Schreibkraft, die exakt abtippt, was dasteht, gegenüber einer Sachbearbeiterin, die das Formular versteht, sich aber gelegentlich verliest. Für unterschiedliche Aufgaben ist jeweils die andere besser. Das Bild erklärt die zwei Profile, es bewertet keine Produkte.

## Was es in der Praxis konkret bedeutet

Bei hohen Stückzahlen gleichförmiger Dokumente ist die Kombination am stärksten: spezialisierte Erkennung für den Text, ein Sprachmodell für die Zuordnung und Prüfung. Bei wenigen, wechselnden Dokumenten reicht das multimodale Modell allein. In beiden Fällen gehören Zahlen, Beträge und Kennnummern nachgeprüft, denn genau dort sind Fehler teuer und fallen nicht auf.

## Wo es verwechselt wird

Text erkennen ist nicht Dokument verstehen. Und hohe Genauigkeit auf sauberen Vorlagen sagt nichts über Fotos mit Schatten, Knicken und schiefem Winkel, wie sie im Alltag anfallen.

## Verwandte Begriffe

**Vision-Language Model**, **MMMU-Pro**, **Computer Vision**, **Modality**, **Image Patch**, **Structured Output**.