已收录文章摘要，完整内容可前往原文阅读。
导读当视觉语言模型能够直接把一页文档生成 Markdown、表格或公式时，文字识别是否已经解决？这篇综述提出一个比“输出读起来合理”更严格的标准：在指定视觉范围内，系统应完整重建源图可见的文字、符号和