我要投稿

10 大开源 OCR 模型对比

发布日期：2025-10-24 10:44:33 浏览次数： 4555

作者：算法工程笔记

微信搜一搜，关注“算法工程笔记”

继昨天那篇——一文读懂 OCR 文档解析的技术格局：从元素识别到文档智能——我们梳理了当前文档解析技术的整体脉络和主流开源方案。

今天又有新发现。
我在 Hugging Face 上看到了一篇非常值得一读的文章——**Supercharge your OCR Pipelines with Open Models**^[1]。

这篇文章不仅讲清了 OCR 的基本原理和工具，还展示了如何动手搭建一条完整的开源 OCR 流程，并提供了一个可直接体验的网页 Demo。
唯一的小问题是——访问 Hugging Face 可能需要点技巧。

所以我把其中最核心的部分——开源 OCR 模型对比表——摘录并补充在这里，方便大家直接参考。

同时，我也在今天的第二篇文章中发布了该文的完整中文翻译；
在第三篇文章里，我整理了目前可在线体验的几个 OCR Demo地址，感兴趣的同学可以去公众号历史文章中查看。

📊 开源 OCR 模型横向对比

注：原文未覆盖 MonkeyOCR 和 MinerU2.5，以下内容已补充。

模型名称	输出格式	特性	模型大小	多语言支持	OlmOCR 基准平均分
Nanonets-OCR2-3B^[2]	结构化 Markdown（含 HTML 表格）	支持图像描述、签名提取、水印检测、手写体识别	4B	✅ 英语、中文、法语、阿拉伯语等	N/A
PaddleOCR-VL^[3]	Markdown, JSON, HTML	支持手写体与老旧文档；支持提示词；表格/图表→HTML	0.9B	✅ 109 种语言	80.0 ± 1.0
dots.ocr^[4]	Markdown, JSON	视觉定位 (Grounding)；插图提取；手写体识别	3B	✅ 多语言（未明确）	79.1 ± 1.0
OlmOCR-2^[5]	Markdown, HTML, LaTeX	定位；批量任务优化	8B	❎ 英语	82.3 ± 1.1
Granite-Docling-258M^[6]	DocTags	支持提示词任务切换；元素位置标注；输出灵活	258M	✅ 英语、日语、阿拉伯语、中文	N/A
DeepSeek-OCR^[7]	Markdown, HTML	图表/表格解析成 HTML；视觉理解；高效内存管理	3B	✅ 近 100 种语言	75.4 ± 1.0
Chandra^[8]	Markdown, HTML, JSON	Grounding；图像提取插入	9B	✅ 40+ 种语言	83.1 ± 0.9
Qwen3-VL^[9]	任意格式	视觉语言模型；识别古文字；支持图像嵌入	9B	✅ 32 种语言	N/A
MinerU2.5^[10]	Markdown, HTML, JSON	Grounding；图像提取插入	1.2B	✅ 84 种语言	77.5 ± 1.0
MonkeyOCR-pro-3B^[11]	Markdown（含语义标签）/HTML/JSON	Grounding；图像插入	3B	✅ 英语、中文	75.8 ± 1.0

整体来看：

Chandra 以 83.1 的成绩位列当前最强，兼顾准确度与多语言能力；
OlmOCR-2 是英语任务的稳健选择；
PaddleOCR-VL 依然是“全能型选手”，轻量、全语言、开源；
而 Qwen3-VL、DeepSeek-OCR、MonkeyOCR 等国产模型在复杂场景（表格、手写体、图表）中的表现，也已逐步追上国际主流路线。