groundingLMM
★ 969
vs
ocr-mcp
★ 23
groundingLMM vs ocr-mcp
groundingLMM：GLaMM（接地大型多模态模型）是一个端到端训练的大型多模态模型，能够生成与对象分割掩码集成的自然语言响应，实现了视觉接地，并支持在多层次粒度上与图像进行灵活交互。它引入了新颖的接地对话生成（GCG）任务，支持指代表达式分割和区域级图像描述等多种下游应用，并以大规模的GranD数据集为基础。；ocr-mcp：OCR-MCP是一个完整的AI OCR网页应用和MCP服务器。它提供用于拖放OCR、扫描和批处理的Web界面，以及一个用于Claude、Cursor、Windsurf等智能IDE的FastMCP服务器。支持13种OCR引擎、WIA扫描仪、预处理和工作流管道。
01
简评
groundingLMMVision / Multimodal · ★ 969
理解并响应用户关于特定图像区域查询的交互式视觉助手。
ocr-mcpVision / Multimodal · ★ 23
将OCR功能集成到AI代理（Claude、Cursor）中
02
并排对比
字段
groundingLMMocr-mcp分类
视觉/多模态
视觉/多模态
Stars
★ 969
★ 23
许可证
Apache-2.0
MIT
安装方式
git clone https://github.com/mbzuai-oryx/groundingLMM.git
git clone https://github.com/sandraschi/ocr-mcp.git && cd ocr-mcp && uv sync
更新时间
1个月前
1周前
开源
是
是
标签
多模态人工智能, 计算机视觉, 自然语言处理
agentic-workflow, FastMCP, MCP 协议
03
功能特性
groundingLMM01生成与对象分割掩码无缝集成的自然语言响应。
02支持新颖的接地对话生成（GCG）任务，并提供全面的评估协议。
03执行详细的区域级图像描述和回答基于推理的视觉问题。
04通过从基于文本的查询创建分割掩码，擅长指代表达式分割。
05提供高质量的图像描述和会话式问答。
ocr-mcp0113种OCR后端（PaddleOCR、Mistral OCR等）
02自动选择后端
03预处理（去歪斜、增强、裁剪）
04布局和表格提取
05批处理和管道处理
04
使用场景
groundingLMM↳理解并响应用户关于特定图像区域查询的交互式视觉助手。
↳用于创建密集、像素级接地数据集的自动化标注工具。
↳需要视觉理解和带有分割的详细文本描述的高级图像分析任务。
ocr-mcp↳将OCR功能集成到AI代理（Claude、Cursor）中
↳使用WIA扫描仪对扫描文档运行OCR
↳批量处理文档并转换为文本/PDF/JSON
FAQ
常见问题
groundingLMM 和 ocr-mcp 有什么区别？
groundingLMM 和 ocr-mcp 都属于 Vision / Multimodal 类别。groundingLMM 有 969 Stars，ocr-mcp 有 23 Stars。
groundingLMM 和 ocr-mcp 哪个更好？
最佳选择取决于你的具体需求。理解并响应用户关于特定图像区域查询的交互式视觉助手。 时选 groundingLMM，将OCR功能集成到AI代理（Claude、Cursor）中 时选 ocr-mcp。
groundingLMM 是免费的吗？
是的，groundingLMM 在 GitHub 开源（Apache-2.0）。
ocr-mcp 是免费的吗？
是的，ocr-mcp 在 GitHub 开源（MIT）。
推荐云部署
Ad在 DigitalOcean 上一键部署
为你的 MCP 服务、Docker 容器与智能体提供即开即用云服务器，新用户立享 $200 免费额度（60天有效）。
→