西風 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

GitHub OCR項目之王剛剛歷史性易主。

誕生近40年、統(tǒng)治OCR領域的技術標桿Tesseract OCR，被中國開源拉下王座——

百度文心衍生模型PaddleOCR以73300+Star，正式登頂GitHub全球OCR項目榜，終結谷歌Tesseract OCR長期霸榜局面。

這也是中國開源在這一基礎賽道上，首次拿下全球Star第一。

不僅如此，在Hugging Face上，PaddleOCR也長期處于OCR與文檔解析領域的頭部位置，已經(jīng)成為全球開發(fā)者的必備工具。

消息一出，開發(fā)者社區(qū)瞬間炸開了鍋。

從“跟跑”到“領跑”，大模型時代，中國開源項目正在用實力改寫全球競爭格局。

光超越還不夠，劃重點：

PaddleOCR同步升級服務放出一波福利，官?免費每?解析?數(shù)翻番，由1萬提升?2萬。用戶還可通過OpenClaw直接調用PaddleOCR Skill，為其接入專業(yè)“視覺”能力。

PaddleOCR OCEAN生態(tài)聯(lián)盟也重磅發(fā)布，面向核心開源貢獻者、企業(yè)用戶、模型托管平臺及硬件廠商等OCR上下游伙伴，這將進一步推動OCR能力在更廣泛場景中的應用落地。

大模型時代，PaddleOCR是如何拔得頭籌的？OCR又為何如此重要？

超越谷歌Tesseract OCR，新王者誕生

在OCR領域，Tesseract OCR無疑是一座里程碑式的存在，它的發(fā)展歷程跨越四十多年。

1985年，Tesseract OCR誕生于惠普公司的研發(fā)項目。彼時的OCR技術尚處于起步階段，核心需求集中在商業(yè)文檔的自動化識別與錄入。

1994年，Tesseract OCR核心版本開發(fā)完成。在1995年美國內華達大學拉斯維加斯分校（UNLV）組織的OCR評測中，Tesseract OCR憑借優(yōu)異的印刷體識別精度，躋身全球頂尖OCR引擎行列。

不過，隨著惠普業(yè)務重心的調整，1996年后，Tesseract OCR的研發(fā)工作幾乎陷入停滯。直到2005年，惠普決定將Tesseract OCR開源。

轉折點出現(xiàn)在2006年，谷歌看中了Tesseract OCR的技術潛力，接過手來將其納入自身開源生態(tài)體系。研發(fā)團隊修復了大量歷史遺留的bug，優(yōu)化了引擎的運行速度和兼容性，更緊跟技術潮流，推動其完成了從傳統(tǒng)算法到深度學習的跨越。

但技術世界的法則從來如此：沒有永恒的王者，只有持續(xù)迭代的創(chuàng)新

文心大模型衍生而來的PaddleOCR，正是這場變革的引領者。

PaddleOCR的登頂，并非一朝一夕之功。它誕生于2020年，是深度學習時代下原生基于深度學習技術構建的模型。

2023年，大模型浪潮席卷整個AI行業(yè)，OCR賽道也迎來代際更替。文心大模型的持續(xù)高速迭代，直接為PaddleOCR帶來了全新的能力天花板

PaddleOCR與文心大模型之間，逐漸玩出了一套非常有意思的雙向賦能組合拳:

一個負責“看”：用高精度的文本提取能力，把文檔中的文字、表格、公式準確撈出來，為大模型提供“食材”。

一個負責“懂”：文心大模型快速迭代，在多模態(tài)方向實現(xiàn)突破，視覺理解、跨模態(tài)融合、結構化輸出，能力版圖一步步補齊。文心不僅能消化這些信息，還能反哺PaddleOCR，讓它真正理解復雜文檔的邏輯脈絡。

這種協(xié)同直接推動了PaddleOCR的爆發(fā)式增長。

Star History顯示，GitHub PaddleOCR Star數(shù)自2024年起呈現(xiàn)加速增長態(tài)勢。

基于文心大模型技術底座，PaddleOCR-VL、PaddleOCR-VL-1.5核心模型相繼推出。

2025年10月，百度發(fā)布并開源自研多模態(tài)文檔解析模型PaddleOCR-VL

PaddleOCR-VL僅0.9B參數(shù)量，就在全球權威文檔解析評測榜單OmniDocBench V1.5上拿下92.6分的成績，超越Gemini-2.5 Pro、GPT-4o等與其體量懸殊的多模態(tài)大模型以及OCR領域的垂直模型dots.ocr、MinerU等，獲得綜合性能全球第一。

在文本識別、公式識別、表格理解、閱讀順序四大核心能力上，PaddleOCR-VL全面刷新SOTA：

同時，發(fā)布16小時內，PaddleOCR-VL直沖HuggingFace Trending全球第一、ModelScope Trending全球第一、HuggingFace Paper Trending全球第一，持續(xù)五天登頂。

今年一月底，百度再次發(fā)力，發(fā)布并開源新一代文檔解析模型PaddleOCR-VL-1.5

同樣僅0.9B參數(shù)，PaddleOCR-VL-1.5在OmniDocBench V1.5上的整體精度再提升，達到94.5%，超過Gemini-3-Pro、DeepSeek-OCR2、Qwen3-VL-235B-A22B、GPT-5.2等，全球綜合性能排第一。

新一代模型更進一步實現(xiàn)了全球首次“異形框定位”

模型能夠精準識別傾斜、彎折、拍照畸變等非規(guī)則文檔形態(tài)，讓“歪文檔”實現(xiàn)穩(wěn)定、可規(guī)?；馕觥＝鹑谄睋?jù)處理、檔案數(shù)字化等真實場景中的老大難問題，終于有了解決方案。

目前，PaddleOCR用戶已覆蓋160個國家和地區(qū)，支持110+種語言識別，成為真正意義上具有全球影響力的開源項目。

5M參數(shù)模型硬剛千億模型

這些只是水面之上的部分。讓PaddleOCR實現(xiàn)翻盤的，還有水面之下的技術突破、積淀和創(chuàng)新。

CVPR 2026，PaddleOCR團隊有兩篇研究成果成功被收錄。

這兩篇論文瞄準的都是OCR領域最前沿、最棘手的行業(yè)難題。拆開這兩篇論文，或許就能從更深層的技術視角看懂PaddleOCR到底強在哪。

首先是PP-OCRv5這項工作。

PP-OCRv5論文鏈接: https://arxiv.org/pdf/2603.24373v1

PP-OCRv5提出的是一個反直覺的事：參數(shù)不一定是越大越好。

模型參數(shù)僅5M，卻能在手寫、多語言、自然場景下表現(xiàn)超越GPT-4o等千億參數(shù)的大模型。

怎么做到的？答案是“數(shù)據(jù)為中心”的系統(tǒng)化優(yōu)化策略

OCR領域，大參數(shù)視覺語言模型占主導。但這類通用大模型普遍存在定位精度不足、文本幻覺等致命問題，而傳統(tǒng)輕量化OCR模型又過度聚焦架構創(chuàng)新，始終被數(shù)據(jù)質量與規(guī)模的短板限制性能。

PP-OCRv5正是在這樣的背景下誕生的。

百度飛槳團隊沒有盲目堆模型規(guī)模，而是提出了一套針對OCR數(shù)據(jù)的量化分析框架，從數(shù)據(jù)難度、數(shù)據(jù)準確性、數(shù)據(jù)多樣性三個維度，徹底重構了OCR模型的數(shù)據(jù)訓練策略。

實驗驗證了數(shù)據(jù)三維度優(yōu)化的有效性。

關鍵是，團隊發(fā)現(xiàn)了這樣一條規(guī)律：

模型訓練存在明確的“難度甜點區(qū)”，中等難度的數(shù)據(jù)訓練效率最高，簡單樣本和高難度樣本都需要控制比例；特征多樣性遠比盲目堆砌數(shù)據(jù)量更重要；而小模型對標簽噪聲居然有天然的強魯棒性。

在內部多場景基準測試中，PP-OCRv5加權準確率從PP-OCRv4的53.0%大幅提升至80.1%，在OmniDocBench上，該模型以5M參數(shù)實現(xiàn)0.067的平均歸一化編輯距離，在專用OCR模型中達到最優(yōu)水平，在多語言處理、旋轉文本、復雜背景等場景表現(xiàn)穩(wěn)健，定位精度更高、幻覺更少、計算成本遠低于百億參數(shù)視覺語言模型。

這一切都指向一個核心結論：數(shù)據(jù)策略的上限還沒有被充分挖掘。通過精細化的“數(shù)據(jù)工程”，小模型可以在OCR場景媲美大模型。

在PaddleOCR團隊看來，“數(shù)據(jù)本身，可能會慢慢變成?條更獨?、也更重要的能?曲線”。

再來看另一項被接收的工作，正是PaddleOCR-VL

PaddleOCR-VL論文鏈接: https://arxiv.org/pdf/2603.24326

如果說PP-OCRv5解決的是“參數(shù)效率”，那PaddleOCR-VL進一步解決的是“計算困境”。

高分辨率文檔解析一直是VLM的痛點——輸入一張高清文檔，視覺Token數(shù)量呈二次方增長，算力消耗爆炸。但文檔圖像中大量是空白背景，算力浪費嚴重。

PaddleOCR團隊的解法很巧妙：別一開始就處理整張圖，先找到重點

他們提出了“由粗到細”（Coarse-to-Fine）架構：先用一個輕量級的有效區(qū)域聚焦模塊（VRFM）定位文檔中的關鍵區(qū)域，再讓0.9B的模型只處理這些區(qū)域。

結果，視覺Token數(shù)量只有競品的1/3到1/2，精度反而更高。如前所述，在OmniDocBench V1.5權威榜單上，PaddleOCR-VL以92.62分的綜合成績登頂全球第一。

總結來看，PaddleOCR的反超是技術代際更替的必然。

為什么AI廠商都在搶OCR？

如果把過去半年AI圈的熱鬧拉出一條時間線，會發(fā)現(xiàn)一個清晰的現(xiàn)象：

近半年，從巨頭到創(chuàng)業(yè)公司，國內外OCR賽道迎來集體爆發(fā)。

2025年10月，百度PaddleOCR-VL、DeepSeek-OCR、Allen AI olmOCR-2、Nanonets-OCR2-3B、dots.ocr.base幾乎同時發(fā)布。

抱抱臉模型趨勢榜一度被OCR模型“屠榜”。

到了11月，騰訊HunyuanOCR問世；12月，Mistral OCR 3發(fā)布。

2026年1月，LightOnOCR-2、DeepSeek-OCR-2、百度PaddleOCR-VL-1.5接踵而至。

2月，智譜GLM-OCR發(fā)布；3月，小紅書FireRed-OCR加入戰(zhàn)局。

為什么這么卷？兩個字：數(shù)據(jù)

互聯(lián)網(wǎng)公開的高質量數(shù)據(jù)快被“啃”完，模型訓練面臨數(shù)據(jù)虧空。行業(yè)廣泛判斷，大量有價值信息仍沉淀在文檔、書籍、合同、表格、掃描件等離線載體中。

OCR就是那把鑰匙。

這些海量非結構化信息，無法直接被大模型理解與利用，必須經(jīng)過OCR，將圖像中的文字、版面結構、表格、公式等轉化為機器可處理的電子化文本。

所以OCR的身份正在被重寫：

從早期依賴手工規(guī)則的掃描小幫手，到特征工程與深度學習驅動的高精度字符識別工具，再到如今與Transformer和Agent深度融合的新階段，它早已跳出“辦公室里的文檔提取器”定位。

現(xiàn)在，它是大模型數(shù)據(jù)生態(tài)的基座，是Agent理解真實世界的“眼睛”，是大模型變聰明的“鑰匙”

就連啟蒙全球千萬學習者的AI大牛吳恩達，今年年初推出的新課程也是聚焦OCR。課程內容就是關于智能體文檔提取（Agent Doc Extraction），也就是教你怎么給OCR裝上智能體大腦。

當各家大模型的參數(shù)規(guī)模越來越接近，決勝的關鍵反而回到了最底層的數(shù)據(jù)獲取與處理能力。誰擁有更強的OCR能力，誰就掌握了現(xiàn)實世界的信息入口，誰就能為自己的大模型提供源源不斷的高質量養(yǎng)料。

PaddleOCR的登頂，正是這場角色轉換中最具標志性的事件之一。

更值得關注的是，這場競爭才剛剛開了個頭。

未來，OCR的比拼會越來越“鉆”。可以想象的一種方向是場景化，不再追求大而全，而是把金融票據(jù)、醫(yī)療檔案、教育試卷等垂直場景做深做透；另一種是端云協(xié)同，輕量模型跑在手機、掃描儀上，本地快速識別，云端精準優(yōu)化，既省算力又保隱私。

更大的想象空間在于OCR和多模態(tài)大模型、Agent更深度地融合，我們或許能看到真正的“全能信息處理助手”。

PaddleOCR的登頂，為中國廠商在OCR賽道拿下了領先身位。它背后折射出的，是中國開源整體實力和全球影響力的加速趕超。

從底層基礎設施到前沿技術突破，中國開源正在越來越多的賽道上拿出世界級的表現(xiàn)。OCR，只是其中一塊拼圖。