小模型屠榜:TeleOCR 实测对比 PaddleOCR-VL、MinerU 与 GPT-5,谁才是文档解析之王
小模型屠榜:TeleOCR 实测对比 PaddleOCR-VL、MinerU 与 GPT-5,谁才是文档解析之王
先说一个很多人都踩过的坑。
你手上有一份几十页的 PDF 合同,或者用手机拍了一张歪歪扭扭的报销单,想让 AI 帮你把里面的文字、表格、公式全提出来。结果呢?文字是出来了,但表格散了架,合并单元格全乱套,公式变成一堆看不懂的符号,页眉页脚和正文搅在一起。
最后你还是老老实实一个字一个字敲。
这就是文档解析这个行当最真实的痛点:认字不难,难的是"看懂一整页"。而最近,一个只有 1.2B 参数的国产开源小模型,把这件事干到了榜单第一,还把 PaddleOCR-VL、MinerU 这些老牌选手,以及 GPT-5.2、Gemini 3 Pro 这类"巨无霸"通通压在了下面。
它叫 TeleOCR,来自中国电信旗下 TeleAI。
一、先搞明白:1.2B 到底是个什么概念?
现在满世界的模型都在比参数,动辄几百 B、上千 B。1.2B 是什么水平?
打个比方:如果把 GPT-5 那一类通用大模型比作"什么都会一点的博士生",那 TeleOCR 就是个只练了一门手艺、但练到极致的老师傅。
它不聊天、不写诗、不跟你讲冷笑话,它这辈子只干一件事——把一张文档图片,变成干净规整、机器能直接用的结构化内容。
具体能干什么?文字、标题、表格、公式、代码截图、印章、科学图表,它都能认。而且不是"认出来就完事",它还会告诉你:这块是标题、那块是正文、这个表有几行几列、哪几个格子合并了、先读哪一段后读哪一段。
说白了,它不是一个"识字工具",更像一个眼神极好的排版编辑:一眼扫过去,整页的骨架就摸清了。
最关键的差别在于,过去很多方案是"先做矫正、再做识别"的两步走:照片歪了先掰正,纸张弯了先拉平,然后再交给识别模型。中间哪一步出错,后面全跟着错。
TeleOCR 换了个思路:把"矫正"这件事直接塞进模型脑子里。歪的、卷的、折的、斜着拍的,它不掰正,直接就这么读。
二、五大榜单的成绩单,有点刺眼
先看最硬的一组数字——OmniDocBench v1.6,这是目前文档解析领域公认最主流的"高考卷",1651 页 PDF,覆盖 10 类文档、5 种版式、5 种语言。
| 模型 | 参数量 | 综合分 |
|---|---|---|
| TeleOCR | 1.2B | 96.87 |
| OvisOCR2 | 0.8B | 96.58 |
| PaddleOCR-VL-1.6 | 0.9B | 96.33 |
| MinerU2.5-Pro | 1.2B | 95.75 |
| Gemini 3 Pro | 未公开 | 92.85 |
| Qwen3-VL-235B | 235B | 89.78 |
| GPT-5.2 | 未公开 | 86.52 |
| InternVL3.5-241B | 241B | 83.61 |
看清楚这个对比:1.2B 对 235B,差了将近 200 倍,分数反而高出 7 分多。对上 GPT-5.2,更是拉开了 10 分以上。
再看细分项,TeleOCR 的表格还原拿到了 97.05 的 TEDS 分数,是这一栏里唯一破 97 的;文字识别错误率 0.027,读序错误率 0.122,都属于第一梯队。
如果只看一张"干净 PDF",你可能觉得这差距不算悬殊。但真正的考验在下面这张表——Wild-OmniDocBench,专门测"手机实拍"的烂图:有褶皱、有阴影、有反光、有透视变形。
| 模型 | 综合分 |
|---|---|
| TeleOCR | 88.53 |
| OvisOCR2 | 87.91 |
| PaddleOCR-VL-1.6 | 87.36 |
| MinerU2.5-Pro | 87.33 |
| Logics-Parsing-v2 | 77.10 |
差距一下就出来了。同样是"拍歪的照片",有的模型直接掉到 77 分,TeleOCR 还稳在 88.5。
还有一个更狠的 Dr.DocBench 挑战赛:TeleOCR 综合 67.96,MinerU 2.5 Pro 62.26,PaddleOCR-VL 1.6 只有 55.11。
而在 ICDAR 2026 的 Sci-ImageMiner 科学图表赛道上,它干脆拿了第一名,把第二名甩开了 1 分多。
需要说明一句:这些成绩主要来自官方技术报告和公开榜单,属于"同一个评测口径下跑出来的结果"。跑分不等于全部真相,但它至少说明了一件事——在文档解析这个特定工种上,"小而专"确实能干过"大而全"。
三、它到底强在哪?三个场景最有说服力
1. 表格:先搭骨架,再往里填字
这是最让我意外的一点。
普通模型识别表格,是"从左到右一行一行往下扫",遇到合并单元格就开始犯迷糊:这个格子到底横跨几列?那个空白格是真的空,还是被合并了?
TeleOCR 的做法很聪明:它先画出表格的骨架,再往格子里填内容。就像你装修房子,先把墙和房间隔出来,再往里搬家具。骨架对了,家具怎么摆都不会乱。

上面这张是官方示例里的检验项目表,"性能"这一栏纵向跨了 4 行,里面还嵌套了子项。这类"行中行"的结构,恰恰是传统 OCR 最容易翻车的地方。TeleOCR 能把它还原成标准表格,甚至能直接输出成网页里能用的表格格式,复制到 Excel 里也不会错位。
对财务、审计、招投标这些天天跟表格打交道的岗位来说,这一项的含金量,比任何跑分都实在。
2. 公式:连"歪着拍、倒着放"都能救回来
公式识别是另一个玄学领域。
一张纸上密密麻麻的分数、根号、上下标、求和符号,人眼都得凑近了看,更别说模型。而 TeleOCR 在官方对比里展示了一个极端案例:整页纸被拍得几乎倒过来,公式是反的,MinerU 和 PaddleOCR 都只认出了零星碎片,它却把完整的推导式还原了出来。

像上面这种多层分式、组合数、连乘展开的公式,它能直接转成可编辑的数学格式,丢进论文排版软件里就能用。学生党抄笔记、研究生复现论文、老师出卷子,这个功能是真的省命。
3. 科学图表:把柱状图"变回"数据表
这个功能有点超纲,但特别惊艳。
你看到一张论文里的柱状图,想知道 2016 到 2020 年每年的具体数值,怎么办?照着图一个一个抄。
TeleOCR 能直接"反推":看图,把图背后的数据表给你还原出来。

官方说它支持 5 大类、19 小类图表——柱状图、饼图、雷达图、热力图、桑基图、箱线图等等。对做行业研究、写报告、扒竞品数据的人来说,这相当于给了一台"图表反向翻译机"。
除此之外,它还能认代码截图(连缩进和语言类型一起还原)、认印章上的文字。基本上,你能在纸面上看到的东西,它都想管一管。
四、普通人想用,门槛高不高?
这可能是 TeleOCR 最"反常识"的地方:它的门槛低得有点不真实。
按社区实测的反馈,一张 8G 显存的普通显卡就能跑起来;如果做 4bit 量化,显存占用还能压到 1~2G 出头,一张消费级显卡绰绰有余。
更夸张的是,社区已经有人把它转成了 GGUF 格式,配合 llama.cpp,连显卡都不需要,纯 CPU 也能推理。还有人成功把它部署到了国产的昇腾 910B 上。
这意味着什么?
意味着你不需要买几万块的 A100,一台稍微像样点的笔记本,或者一台放在办公室角落的旧主机,就能把整套文档解析能力搬进自己家里、自己公司里。
而且它是 Apache-2.0 协议,商用也没问题。对很多有数据保密要求的单位——医院、律所、银行、政府窗口——这一点比性能更重要:文档不用上传到别人的服务器,在自己机器上就处理完了。
如果只是想先试试水,官方也在天翼 AI 开放平台上放了在线体验入口,传张图就能看效果,不用装任何东西。
适合谁?
- 自媒体、编辑、行政:把截图、扫描件、PDF 快速转成可编辑文字;
- 学生、科研人员:论文公式、参考文献、图表数据一键提取;
- 财务、法务、HR:合同、票据、报表批量结构化,接进自己的流程;
- 开发者:给自家的知识库、智能问答系统当"文档入口",把乱七八糟的文件先整理成干净数据。
五、写在最后:这一次,"小"真的成了优势
过去两年,我们习惯了"参数越大越强"的叙事。但 TeleOCR 这类模型提醒了我们一件事:
在很多具体工种上,通用大模型其实是"用牛刀杀鸡"——它什么都懂一点,但遇到表格合并单元格、遇到纸被折了一道、遇到公式里的上下标,反而不如一个专门练过的"老师傅"。
1.2B 的参数,装得进一张消费级显卡,跑得动一台没有独立显卡的电脑,还能在歪着拍的照片上稳定发挥。这种"够用、好用、用得起",可能比榜单上那几分差距,更能决定一项技术最后能不能真正落地。
当然,它也不是万能。手写体潦草到一定程度、超大工程图纸、极低分辨率的翻拍件,依然是所有文档解析模型的共同难题。官方的报告里也坦承,在少数极端样本上会出现重复生成的毛病。
但方向已经很清楚了:文档解析这件事,正在从"能不能认出来",变成"能不能一次认对、认全、认得能直接用"。
最后想问问你:
你平时最头疼的文档处理场景是什么?是合同里的复杂表格,还是论文里的公式,或者是一堆拍歪了的发票报销单?
如果现在有一个 1.2B 的小模型,能装在你自己的电脑上、不联网、不花钱、随手就能把图片转成规整表格,你最想先拿它干哪件事?
评论区聊聊,说不定下一个被"解放双手"的就是你。