制造企业离线单据识别：四张L40S、字段校验和人工复核的私有化方案

数据性质与适用范围

本篇为S1工程模拟方案，按公开技术资料与明确的业务假设编制。容量计算使用文中假设；验收数值是待验证目标，没有本站实机测试日志。实际交付应保存硬件、版本、请求集和原始结果，再确定服务能力。

哪些单据可以自动处理

模拟一家制造企业的采购与质检部门，每天处理6000页订单、送货单、检验报告和供应商附件。约70%是清晰PDF，20%是扫描页，10%含手写、盖章遮挡或倾斜拍照。目标是减少录入工作，把可核对的字段形成ERP草稿，最终确认仍由采购或质检人员完成。

系统提取供应商、物料编码、数量、单位、单价、税率、金额和报告批次；不同单据有不同字段表。企业内部物料编码库作为约束，模型没有匹配到编码时返回候选及原文位置，不能自行创造一个编码。合同条款和质检判定与普通字段抽取分开，避免由一条提示词处理所有业务。

四卡不是一份模型占满

• 推理服务器：4×L40S 48GB、双路CPU、512GB ECC、系统盘镜像、两组NVMe数据盘。
• GPU分工：两卡承载32B文本字段归一化模型，一卡负责OCR与版面，一卡作为视觉疑难页Worker；能否同机运行由驱动、框架和实际峰值显存验证。
• 业务节点：独立数据库与文件存储，25GbE连接；原文、识别结果和ERP写入状态分开保存。
• 主板平台：整机厂商四GPU服务器平台，核对四卡尺寸、PCIe插槽映射、风道及BMC；被动散热卡不装入未经验证的塔式机箱。

GPU分工是初始部署选择。若OCR持续空闲而疑难页排队，应根据监控重分配Worker，而不是为了维持“四卡都利用”强行加载更多模型。主业务库不与模型临时目录共用磁盘配额。

从原件到ERP草稿

上传时生成文件哈希与单据ID，重复提交先查已有记录。OCR输出文字、坐标和置信度；抽取层按单据模板生成结构化字段，每个字段保留页码与框位置。规则层核对数量×单价与分项金额、税额和总额，允许的舍入差异由财务配置。跨页表格先按表头和行号拼接，遇到冲突进入人工复核。

ERP接口只创建草稿，使用单据ID作为幂等键。人工确认时记录操作者、修改前后值和时间。接口超时先查是否已创建，再决定重试，防止同一张送货单产生两次入库。模型不能获得任意SQL或通用ERP管理员权限。

页面处理能力与排班

6000页在10小时窗口内完成，要求平均10页/分钟。按30%余量规划，目标为13页/分钟。若其中600页需要视觉疑难处理，假设每页20秒，则需要200 GPU分钟；若实测每页60秒，就需要600 GPU分钟，恰好占满十小时。两个数均为排程试算，真实耗时需按页面分辨率和模板测量。

试点收集1000页历史脱敏单据，按清晰、扫描、手写比例分层抽样。开发集与验收集按供应商分离，避免同版模板反复出现让准确率虚高。对于金额、物料和批次分别计算字段正确率，不使用所有文字平均准确率掩盖关键字段错误。

通过条件与异常页面

设计目标为清晰模板关键字段正确率至少98%，疑难页全部可复核，1000页中不产生重复ERP草稿。置信度阈值需要由验收集校准；模型给出的高置信度不等于事实正确，金额公式、编码白名单和原页定位必须同时满足。

连续运行8小时，记录各阶段排队长度、P95耗时、内存、显存、文件空间和异常率。模拟上传重复文件、ERP短暂断开、解析进程退出，确认任务状态可恢复。已完成的OCR不重复计算，字段抽取失败可以从原结果重跑；算法版本变化则保留旧结果并生成新版本。

内网更新与上线顺序

离线环境提前准备驱动、容器、模型、Python依赖与许可证清单，安装包经过批准的下载和校验流程进入内网。禁止在服务启动时临时从公网下载字体、OCR权重或分词器，否则断网后的第一次使用就可能失败。

先让一个供应商模板并行运行两周，对比人工录入；再扩至三种单据。模板版本、模型版本和规则版本一起发布，可一键回到上一套配置。方案适合重复性高且有字段校验条件的单据；模糊手写、缺页和重要业务判断保留人工处理通道。

技术依据与复现资料

• PaddleOCR官方仓库：https://github.com/PaddlePaddle/PaddleOCR