地方档案馆扫描资料检索方案：OCR、页码证据与人工复核的双卡部署

数据性质

本方案为S1工程模拟，不对应真实客户项目；容量数字是带假设的计算，性能值是验收目标，未提供本站实机日志。

场景与业务目标

模拟一所地方档案馆已有30万页扫描资料，包含清晰打印件、倾斜复印件与少量手写内容。工作人员30人，设计峰值6个检索请求、2个生成请求，每天新增1000页。目标不是让模型“替代档案员”，而是缩短定位原页的时间，回答必须链接到可复核的扫描件。涉密与限制开放资料不进入本方案的公共索引。

本方案所有规模是设计假设，未对应真实机构与实机日志。手写与严重模糊页进入人工队列，不承诺通用视觉模型能够完整准确识别。服务结果用于检索辅助，不作为历史事实的唯一凭据。

双卡节点分工与平台条件

试验配置为2张48GB级GPU、512GB ECC内存，独立模型NVMe和容量型扫描件存储。CPU、主板、插槽与显卡风道采用整机厂商验证组合；48GB是容量档位，不意味着任意显卡、机箱都等价。GPU A承载OCR或视觉识别批任务，GPU B承载量化问答模型，向量检索由CPU和数据库完成。

模型候选为中文OCR引擎、BGE-M3稠密向量与经过验证的32B量化问答模型。严重复杂页可转视觉模型，但不把所有30万页都交给大VLM。分开资源池是为了让历史导入不阻塞白天检索，最终容量须压测。

从原件到可追溯段落

每页保存文件哈希、来源编号、卷号、页号、访问级别、OCR版本与识别结果。原图不被清洗程序覆盖。段落切分保留跨页关系，表格独立保存行列信息，页眉页脚不作为主体重复入索引。

处理任务先检查文件损坏和旋转，再识别、做质量抽样、分块并编码。低置信和术语异常进入复核；修改后的文字保留原版本与操作记录。用户问答先按权限过滤候选，再重排与生成，不能检索后仅在界面隐藏无权限页。

导入周期与存储账本

若试验测得平均每页处理2秒，30万页纯处理约60万秒，即166.7小时。每天安排8小时，理论约20.8个工作日，还未包含失败重试、人工复核和停机。这里2秒是试算变量，不是设备性能；实际测量后替换这个值。

平均扫描件1MB，则原件约300GB；若每页4个块，约120万块。1024维float32稠密向量的原始值约4.9GB十进制，数据库行、文本和近似索引另计，不能用4.9GB作为总存储报价。再为OCR中间文件、模型、备份及升级副本预留空间。

验收数据怎样准备

建立500页分层样本，含清晰、倾斜、表格、模糊和手写，各保留人工真值。OCR按字符错误率和关键字段准确率评估；不把手写失败平均进清晰打印件后掩盖差异。随机抽取20%的样本由第二人复核，避免标注本身成为误差来源。

问答准备150个问题，其中30个在资料中没有答案、30个需要跨页、30个带具体日期与人物。设计目标为相关原页Recall@10至少90%、引用页码正确率至少95%、无答案错误回答率不超过5%；这些是待验证的项目门槛，不是已达成结果。

白天服务与夜间导入

白天问答队列最多2个活跃生成任务，长文有独立预算与排队提示。检索和生成分别计时，设计普通请求P95首字不超过5秒。夜间OCR批任务按卷分页检查点，失败从具体页继续，不重跑整个库。新索引先在影子环境验证，切换后保留旧索引便于回退。

档案更新与错误纠正

原件补扫、OCR纠错和开放级别调整都应产生新版本。索引以文档ID与版本为键，删除旧资料时同步失效检索记录、图片下载权限与相关缓存。员工在界面标记错误回答后，先回到原页确认是扫描问题、文字识别问题还是模型误读，不能直接用新答案覆盖原记录。每月随机抽查100页与20条问答，把重复问题整理成规则回归集；复核后才能调整模型或分块策略。这样系统越用越可靠，而不是只累积更多无法核对的文字。

风险、恢复与交付

首要风险是错字造成错误引用，因此回答显示原页入口与证据片段，用户可以回看。第二是敏感资料泄漏，权限应覆盖检索、图片下载、日志与缓存。第三是OCR版本更新造成索引漂移，升级前复跑500页与150问。

备份同时包含原图、元数据、数据库、索引版本和环境清单。隔离恢复后抽查卷号、页号与哈希，并运行10条固定问题。交付应包含真实处理日志、人工复核差异、失败清单与容量报告，再决定是否增加GPU。方案依据：BGE-M3、Qwen2.5-VL。