Сравните контрольные суммы фактически обработанных файлов и промежуточных изображений. Одинаковое имя в интерфейсе не доказывает одинаковый вход: один запуск мог взять новую версию объекта, другую страницу или миниатюру. Затем сопоставьте настройки распознавания и сырой ответ до исправлений текста. Так станет видно первое место расхождения.
Паспорт запуска делает сравнение предметным
Условный паспорт, без текста документа:
input_hash -> байты исходного файла
page -> номер и версия растеризации
prepared_hash -> байты после предобработки
engine -> версия движка / модели / языковых данных
options -> язык, сегментация, профиль
raw_output -> сохранённый исход OCR
parser_version -> версия извлечения полейКонтрольная сумма помогает сравнить байты, но не заменяет защиту хранилища. Исходники и результаты могут содержать персональные данные: ограничьте доступ и срок хранения. Для общего отчёта достаточно технических идентификаторов и искусственного образца. Не отправляйте рабочие документы стороннему сервису только ради проверки гипотезы.
Документация Tesseract описывает выбор языка и формата вывода в командной строке, а руководство по качеству — влияние предобработки и режима сегментации. Проверено 25 октября 2026 года. Поэтому запись «Tesseract» без версии, языковых данных и параметров недостаточна для сравнения двух запусков. У облачного сервиса фиксируйте доступные сведения о processor/model и регионе.
Первое различие подсказывает владельца исправления
| Где результаты впервые разошлись | Что исследовать |
|---|---|
| Исходные байты | Версию объекта и источник загрузки |
| Подготовленные изображения | Растеризацию, масштаб и фильтры |
| Сырой OCR при одинаковом входе | Версию модели и параметры запроса |
| Поля при одинаковом сыром ответе | Парсер, справочник и нормализацию |
| Экран при одинаковых полях | Кеш и форматирование интерфейса |
Сохраняйте исходный ответ отдельно от итоговых полей. Если парсер заменил символ или выбрал другую строку таблицы, повторное распознавание не объяснит это решение. Для сравнения полезен diff одного поля с привязкой к странице и области: длинный общий текстовый diff способен скрыть единственную значимую разницу в номере.
Одинаковые параметры ещё не позволяют обещать побайтовую воспроизводимость любого сервиса. Если первая разница действительно появляется внутри распознавания, проверьте документированные гарантии провайдера и закрепление версии, если оно поддерживается. Не придумывайте seed для API, в котором такого параметра нет. Предметный запрос поддержке содержит минимальный разрешённый образец и паспорта запусков.
Изменяйте один фактор и сохраняйте эталон
- Повторить один искусственный файл с закреплённым профилем.
- Сравнить промежуточные контрольные суммы.
- Сверить сырой ответ и отдельно извлечённые поля.
- Изменить только один подозреваемый параметр.
- Прогнать прежний эталонный набор после исправления.
Проверяйте не только среднюю похожесть текста. Для вашего процесса могут быть критичны номер, дата или строка позиции. Составьте ожидаемые значения на размеченных разрешённых примерах и фиксируйте, какие изменения улучшились, а какие ухудшились. Обновление модели не должно незаметно перезаписать уже подтверждённые человеком данные.
Ключ кеша должен учитывать смысл обработки: вход, профиль и используемую версию извлечения. Один input_hash не различает новый алгоритм и старый результат. При повторе задания храните связь попыток и исключайте двойную публикацию полей в принимающую систему. Результат анализа и применение результата — отдельные операции.
Для разбора подготовьте два паспорта и первую пару различающихся артефактов. Если вход менялся, чините получение и подготовку файла; если одинаковый сырой ответ дал разные поля, исследуйте парсер. Такое разделение позволяет исправить конкретный участок и проверить откат по сохранённому эталону вместо бесконечного выбора «более точной» модели.