前段时间因为一个教育项目，我花了几天时间连续测试了几款 OCR 工具。
一开始我的目标其实很简单。
找一个识别准确率高一点的方案，后面接自动评分就结束了。
结果真正测下来，我发现自己一开始的思路就是错的。
真正的问题，根本不是 OCR 的识别率。
最开始，我也和很多人一样
以前看到各种产品介绍都会写：
OCR 准确率 99%
OCR 准确率 99.5%
OCR 准确率 99.8%
当时我也觉得：
99% 和 99.8%，差距应该挺大的。
后来真正拿真实试卷测试之后，我发现一个很有意思的现象。
很多时候，99% 的准确率，对真实业务来说可能还是不够。
我做了一个很简单的测试
为了尽量接近真实场景，我没有用公开 Demo。
而是直接找了几份高中数学试卷。
原因也很简单。
数学试卷比普通文档更容易暴露问题。
测试内容包括：
- 普通文字
- 数学公式
- 分数结构
- 根号
- 积分符号
- 上下标
第一轮测试下来，普通文字几乎都没有问题。
真正开始"翻车"的是公式。
一个字符错了，后面全错
举个例子。
下面这个表达式：
x² + 2x + 1
有的工具识别成：
x2 + 2x + 1
如果只是阅读，其实大家都知道什么意思。
但如果后面要接自动评分。
系统已经认为这是两个完全不同的表达式。
还有一次更离谱。
一条分数公式直接被拆成了上下两行。
OCR本身没有报错。
但是后面的评分逻辑完全失效。
这时候我突然意识到：
很多时候，不是 AI 不会判断。
而是它收到的数据已经错了。
我后来开始换一个角度看 OCR
以前我总喜欢问：
识别率是多少？
后来我开始问另外几个问题。
第一：
复杂公式还能不能识别？
第二：
识别之后能不能直接用于业务？
第三：
是不是还需要人工重新检查？
如果第三个问题的答案还是"需要"。
那其实识别率再高，意义也没有想象中那么大。
教育场景，可能是 OCR 最难落地的行业之一
后来查了一些资料，也和做教育产品的朋友聊了聊。
大家几乎都提到同一个问题：
教育不是普通文档。
普通 OCR 更关注：
- 合同
- 发票
- 表格
但教育场景完全不同。
特别是数学、物理、化学。
里面有大量：
- 上下标
- 根号
- 分数
- 矩阵
- 特殊符号
这些内容真正难的不是识别字符，而是理解字符之间的位置关系。
所以很多产品在办公场景表现不错，一进入教育场景就开始掉准确率。
后来我开始关注教育场景专门优化的产品
也是在继续调研的时候，我接触到了一个叫闪阅的产品。
官网：
https://shanyue.jotoai.com/
最开始吸引我的并不是"AI阅卷"几个字。
而是它一直强调：
公式识别。
因为我前面踩的坑，几乎都发生在公式上。
后来又看了一些公开介绍，发现它关注的重点不是单纯提高 OCR 数字，而是希望让识别结果能够直接进入后面的评分流程。
这一点其实挺符合我这几天测试下来的感受。
真正决定体验的，不只是 OCR，而是整个流程是否跑得通。
顺便聊聊它背后的团队
继续查资料的时候，我发现闪阅背后的研发团队是聚托科技（JOTO）。
如果平时关注 AI Agent 或 Dify 的朋友，应该对这个名字不陌生。
聚托科技本身长期做企业级 AI 应用，也是Dify 企业版服务商和Dify 钻石合作伙伴。
官网：
www.jotoai.com
从这个角度来看，他们把 OCR、公式识别、自动评分放到同一个工作流里，其实和现在很多 AI Agent 产品的发展方向比较一致。
我后来重新理解了"识别率"
做完这几天测试之后，我最大的变化就是：
以后看到"99% OCR 准确率"这种宣传，我不会第一时间相信，也不会第一时间怀疑。
我更想知道的是：
- 用什么数据测出来的？
- 有没有数学公式？
- 有没有真实试卷？
- 后面的自动评分还能不能正常工作？
因为真正影响体验的，往往不是那几个小数点。
而是整个业务流程是否能够顺利跑通。
对于教育行业来说，这一点尤其明显。
写在最后
以前我一直觉得，OCR 已经是一个非常成熟的技术。
真正开始做教育场景之后才发现，成熟的是通用 OCR，而不是所有 OCR。
特别是在涉及公式识别、自动评分和 AI 工作流时，真正的挑战才刚刚开始。
如果你最近也在做教育 AI、智能阅卷或者 OCR 相关项目，我建议不要只看官方给出的准确率数字。
找几份真实的数学试卷，亲自跑一遍。
很多问题，跑完第一轮测试就会有答案。
至少对我来说，这几天最大的收获不是找到了某一个工具，而是终于知道了：真正需要优化的，从来都不是那一个"99%"。