OCR的“文艺复兴”：实测登顶HuggingFace的PaddleOCR-VL与DeepSeek-OCR

---

🌈你好呀！我是 是Yu欸 🚀 感谢你的陪伴与支持~ 欢迎添加文末好友 🌌 在所有感兴趣的领域扩展知识，不定期掉落福利资讯(*^▽^*)

---

写在最前面

版权声明：本文为原创，遵循 CC 4.0 BY-SA 协议。转载请注明出处。

最近我的Hugging Face首页快被OCR给刷屏了。

一个月内，DeepSeek、百度、上海AILab三家接连发了新模型。10月21号那天，HuggingFace趋势榜前三全是OCR：百度飞桨的PaddleOCR-VL第一（而且是连续5天霸榜），Deepseek-OCR第二。这热度简直是“文艺复兴”。

这让我很感兴趣，扒了扒两边的技术报告和Demo，发现这俩模型虽然都带“OCR”，但解决问题的思路是两个方向。

一、 目标对比：一个“压缩理论”，一个“识别SOTA”

首先得把概念搞清楚，不然就是“关公战秦琼”。

PaddleOCR-VL： 它的目标非常明确，就是要做“SOTA”（State-of-the-Art）的文档解析与识别。它是一个专门的多模态文档解析模型，目标是解决产业界里最头疼的各种文档处理问题，比如财报、合同、手写体、公式等等。它的目标是实用价值，要做“实用最强”。

DeepSeek-OCR： 它的核心不是做OCR识别，而是探索一个叫“上下文光学压缩”（Contextual Optical Compression）的理论。简单说，它想解决的是LLM处理长文本时计算量爆炸的问题。DeepSeek的思路很新奇：先把文本渲染成图像，再用一个VL模型去“读取”这个图像，以此实现对上下文的高效压缩。这是一个很有意思的理论创新，目标是LLM的效率。

所以，DeepSeek是在探索“LLM的新输入方式”，而PaddleOCR-VL是在攻坚“如何把文档解析与识别做到极致”。

二、 性能对决：权威榜单看数据

虽然目标不同，但既然都叫OCR，总得在同一个“考场”上比一比。目前国际上最权威的文档理解基准之一是OmniDocBench V1.5。这个基准由清华、达摩院、上海AI Lab等多家机构共建，覆盖了教材、财报、手写笔记等9大类真实场景，是公认的“地狱难度”考卷。

在V1.5最新榜单上，数据很直观：

综合得分：PaddleOCR-VL 以仅 0.9B 的参数量，拿到了92.56分，位居全球第一。DeepSeek-OCR-Gundam-M（3B参数）得分是86.46。参数量小了3倍多，分数反而高了6.1分。

核心能力拆解：在文档解析的四大核心任务上，PaddleOCR-VL实现了全线SOTA。

表格结构理解 (Table TEDS)：这是差距最大的地方。PaddleOCR-VL得分93.52，DeepSeek-OCR是78.02，领先了15.5分。这说明在还原复杂表格结构上，PaddleOCR-VL的优势是压倒性的。

表格语义理解 (Table TEDS-S)：PaddleOCR-VL得分91.43，DeepSeek-OCR是81.55，领先近10分。

阅读顺序 (Reading Order) ：PaddleOCR-VL的误差（0.043）比DeepSeek-OCR（0.093）降低了约54% ，这意味着它解析出的文档顺序更符合人类逻辑。

公式识别 (Formula CDM) ：PaddleOCR-VL（89.76）也略高于DeepSeek-OCR（89.45）。

这个数据说明了一切。特别是在表格和阅读顺序上的巨大领先，意味着PaddleOCR-VL对“版面”的理解远超对手。这在金融财报、合同审计等场景是刚需。

顺带一提，DeepSeek论文里用的是V1.0旧考卷，PaddleOCR-VL用的是V1.5新考卷的成绩，含金量更高。

三、 架构浅析：PaddleOCR-VL为什么这么能打？

0.9B的小模型反超3B的大模型，这在技术上是很有意思的。我看了下技术报告，PaddleOCR-VL的架构设计非常“务实”：

它采用了一种两阶段混合式架构。

第一阶段： 用一个高精度的版面分析模型（PP-DocLayoutV2）先去执行版面分析（layout analysis），把文档中的标题、正文、表格等区域定位出来，并预测好阅读顺序。

第二阶段： 再用那个0.9B的PaddleOCR-VL-0.9B模型，基于上一步的版面结果，对文本、表格、公式等内容进行细粒度识别。

这种“专业的人做专业的事”（版面分析+内容识别）的管线设计，确保了它在处理复杂版面时的精准度，也解释了为什么它在表格和阅读顺序上得分那么高。此外，它还对手写、公式等做了专项优化，甚至能把图表（Chart）直接转成表格（Table），并且支持109种语言，这完全是为产业落地而生的。

四、 实战测试：极限场景见真章

跑分是跑分，但技术圈更信奉“Talk is cheap, show me the code (and demo)”。我用了几个自己找的“奇葩”案例，在两家的Online Demo上跑了一下。

测试1：打印表格的照片

场景： 这是最常见的RPA（机器人流程自动化）场景，比如拍一张纸质报表。

PaddleOCR-VL： 精准识别。完美还原了表格的行列结构，表头和数据都各归其位。

Deepseek-OCR： 识别出了图中的所有文字，但没有生成表格。表头那段文字被当成普通文本混在了结果里，表格结构丢失。

测试2：花体艺术字英文

场景： 识别海报、Logo上的艺术字。

PaddleOCR-VL： 精准识别，连最后那个花体的“&”符号都认出来了。

Deepseek-OCR： 识别不出任何内容，返回为空。

测试3：特殊竖排英文（含圆圈数字）

场景： 一些设计独特的说明书或菜单。

PaddleOCR-VL： 再次精准识别。竖排的英文（含大小写）全部正确，连旁边被圆圈包着的数字也没放过。

Deepseek-OCR： 报错。

测试4：极限场景-餐厅招牌

场景： 一张“熟成刺身招牌”的照片，光线复杂，且文字不是主体。

PaddleOCR-VL： 我试了它的“Chart Recognition”（图表识别）能力，居然识别出了部分招牌上的文字。

Deepseek-OCR： 识别不出任何内容。

实测小结：

这次测试印证了榜单数据。Deepseek-OCR在面对非标准、有干扰的真实世界图像时，表现不稳定。而PaddleOCR-VL则展现了极强的鲁棒性，无论是对表格结构、艺术字体还是复杂排版，都体现了其作为专业OCR方案的深厚积累。

补充材料（PaddleOCR-VL在文字和表格方面的能力拆解）：

五、 为什么OCR突然又火了？

这背后其实是更大的行业趋势。OCR这个“老树发新芽”，核心原因是它成了大模型时代最重要的“入口”之一。

RAG 应用： RAG（检索增强生成）是现在最火的应用范式，但企业知识库里全是扫描版的PDF、合同、报告。OCR的质量就是RAG的“知识保真度”，是“Garbage In, Garbage Out”的第一道防线。

产业流程自动化： 金融、物流、保险等行业要降本增效，必须处理海量文档。高精度的OCR就是“成本效益的裁决者”。

大模型进化： 人类知识的载体是书籍、论文。OCR就是那个“文明数字化转换器”，把非结构化信息变成大模型能“吃”的养料。

六、 总结：SOTA与实用，两种路径的选择

这次横评下来，结论其实很清晰了：

DeepSeek-OCR：它是一个非常棒的学术探索，它另辟蹊径地尝试用“视觉压缩”来解决LLM的长上下文难题，这个思路值得点赞。

PaddleOCR-VL：它是一个产业级的SOTA解决方案。不愧是中国OCR技术的老大哥，它目标很务实，就是在复杂多变的真实场景中，把文档解析做到极致。它继承了PaddleOCR开源5年、GitHub超5万Star（唯一Star数超50k的中国OCR项目）、累计下载超900万的深厚积累，这不是一个新玩具，是一个身经百战的成熟系统。

最后说个有意思的“彩蛋”：我去看DeepSeek-OCR的论文，在致谢和数据标注部分，都提到了感谢并使用了PaddleOCR。这说明PaddleOCR早已是这个领域的基础设施。

所以：如果你要发论文、探索新方向，DeepSeek的思路值得一看；但如果你是开发者，或者你的企业需要处理海量的财报、合同、票据，那PaddleOCR-VL无疑是当前综合表现最好、最可靠的选择。

七、参考文献

• 论文： https://arxiv.org/pdf/2510.14528

• Github： https://github.com/PaddlePaddle/PaddleOCR

• Blog： https://ernie.baidu.com/blog/posts/paddleocr-vl/

• HuggingFace： https://huggingface.co/PaddlePaddle/PaddleOCR-VL

• OCR体验地址：
  PaddleOCR-VL：https://aistudio.baidu.com/application/detail/98365
  DS-OCR：https://huggingface.co/spaces/axiilay/DeepSeek-OCR-Demo

---

hello，我是 是Yu欸 。如果你喜欢我的文章，欢迎三连给我鼓励和支持：👍点赞 📁 关注 💬评论，我会给大家带来更多有用有趣的文章。
原文链接 👉 ，⚡️更新更及时。

欢迎大家点开下面名片，添加好友交流。