百度又把DeepSeek的OCR干了一次,这次连作者都"借"来了?
百度又把DeepSeek的OCR干了一次,这次连作者都"借"来了?
要说最近科技圈最热闹的擂台赛,除了各家大模型卷智商,还有一个低调却异常激烈的赛道——OCR(也就是"让电脑读懂图片里的字")。
就在去年到今年,百度、DeepSeek 两家巨头接连开源自己的新一代 OCR 模型,一个号称"全球最强小钢炮",一个号称"一次能读完整本书"。更戏剧性的是,百度最新的开源模型,官方介绍里明晃晃写着——"把 DeepSeek-OCR 往前推一大步",而坊间传闻其核心作者,疑似正是从 DeepSeek 出走的算法大神。
好家伙,这哪是开源,分明是"借你家的砖,盖我家的楼,再回来跟你比武"。
一、先捋捋这场"隔空叫板"的时间线
这场擂台赛,其实从去年秋天就开打了:
2025年10月17日,百度悄悄开源了 PaddleOCR-VL,一个只有 0.9B 参数(约等于指甲盖大小的"迷你大脑")的文档识别模型,结果16小时就冲上全球开发者平台 HuggingFace 热度榜第一,连续霸榜好几天。
10月20日,DeepSeek 也下场了,开源 DeepSeek-OCR,主打一个"视觉压缩"绝活——能把一张图片的信息"压"得特别紧,让 AI 读长文档又快又省。
10月21日,也就是第二天,HuggingFace 全球模型趋势榜前三名全被 OCR 模型包揽。一场"文字识别世界大战"就此开打。
2026年6月22日,百度再度出手,开源 Unlimited-OCR,这次直接喊话:我不仅能识别,还能一次把几十页、甚至整本 PDF 从头读到尾,不再一页页切、一页页拼。
而最耐人寻味的是,这个新模型的作者名单里,有位署名"YY"的核心作者,被多家媒体和网友扒出疑似来自 DeepSeek。于是评论区一片沸腾:"这是把 DeepSeek 的人请来打 DeepSeek?"
二、都在卷同一个老技术,为啥突然又火了?
你可能觉得,OCR 不就是"拍照转文字"吗?手机里扫一扫的软件多了去了,有啥可卷的?
格局小了。 新一代 OCR 早已不是"认字",而是"读懂文档"。
打个比方:老式 OCR 像是"把文字一个萝卜一个坑地搬出来",至于表格里的数字对应哪个项目、公式里的分号在哪、一页看完下一页讲什么——它一概不管。
新一代 OCR 干的是"把一份文档吃透"的活:它能还原表格结构、认出复杂数学公式、看懂竖排古籍、理清多栏报纸的阅读顺序,甚至把图表里的数据关系整理成规整的表格。
而这正是当下 AI 应用的地基。不管是你手机里的 AI 助手,还是企业用的"数字员工"(能自动读合同、核发票的AI打工人)、知识库问答系统,第一步都得靠 OCR 把资料"喂"进去。地基要是歪了,上面建什么都白搭。这也是为什么两家的模型一开源,全球开发者都跑来围观、实测。
三、擂台实测:到底谁更猛?互有胜负,各显神通
光看官方榜单没意思,社区老哥们早就拉着两个模型真刀真枪比了一轮。结果相当有意思——各有各的看家本领。
比表格:百度完胜。 有开发者实测,同一张复杂财报表格,DeepSeek-OCR 识别出了文字,却莫名其妙多了一列空列;而百度这边连表头、行列结构都还原得严丝合缝,100% 还原。社区里有人直呼:"这不是识别,这是抄作业还顺便把格式都排版好了。"
比手写:百度更稳。 手写体一直是 OCR 的噩梦。实测中,百度不仅能分清文字和方格背景,连标点符号都给你还原;而 DeepSeek 这边闹了个乌龙——把中文误判成了日语。评论区瞬间笑场。
比公式:互有来回。 在复杂数学公式识别上,DeepSeek 完成得干净利落;但一遇到模糊手写公式,两家的表现都不算满分,属于"菜鸡互啄"——不过这也说明这类世界级难题,谁家都还没到完美。
比长文档:DeepSeek 有独门绝技。 这是 DeepSeek-OCR 的杀手锏——"视觉压缩"。简单说,普通模型读长文档是"逐字逐句记下来",越读越费劲;DeepSeek 是"看一遍先记住重点",省时省内存。测试显示,在几乎不损失准确率的情况下,它能把图片信息压缩到十分之一,读一份286页的年报,表格还原率高达 95.7%。
而百度这边的回应也很硬核:3B 参数的小模型,一次就能端平几十页文档,显存占用还不怎么涨——就好比别人抄书要一页页复印,它是直接"整本拍照入脑"。
四、为啥说百度这次是"踩着巨人肩膀叫板"?
最精彩的地方在这里:百度 Unlimited-OCR 并非另起炉灶,而是明明白白基于 DeepSeek-OCR 的技术路线改进而来,官方介绍原话就是"将 DeepSeek-OCR 推进一步"。
这就像两家武馆比武,一方直接学了对方的招式,还改良出了新打法,再回来下战书。更妙的是,作者疑似还是从对方武馆跳槽来的大师兄——这事儿搁谁身上,不得多看两眼?
当然,调侃归调侃,这种"站在开源巨人肩膀上"的玩法,恰恰是开源世界的常态,也是整个行业进步最快的路径:你有压缩大招,我就把长文档处理做到极致;你表格强,我就在手写和版式上补齐。拼着拼着,用户就成了最大赢家。
五、说了半天,普通人能用上吗?
这里要泼一盆"冷静水":这类模型目前主要面向开发者、企业用户和重度办公人群,不像手机上的"拍照识字"App 那么傻瓜式。
不过好消息是,门槛在快速降低:
- 百度这边,官方已经上线了网页版在线体验,上传图片就能玩,完全不用自己搭环境;PaddleOCR 家族更是老牌亲民选手,GitHub 上超 5 万星标,累计下载超 900 万次,教程遍地都是;
- DeepSeek 那边,也有在线 Demo 可以试用;
- 如果你想本地跑,一张普通游戏显卡(消费级 GPU)就能带动这些小模型,数据完全不出自己电脑——这对医院、律所、国企这种"涉密文档敏感户"来说,简直是刚需中的刚需。
至于你的场景怎么选?一句话总结:日常拍照识别、图片转文字,谁家的轻量版都够用;要处理复杂表格和合同,可以优先看百度;要一次性啃完几百页的扫描件,DeepSeek 的压缩绝活和百度的长文档解析都值得一试。
六、写在最后
这场 OCR 擂台赛最迷人的地方,不在于谁拿了第一名,而在于两个中国团队,把"让AI看懂世界"这个老话题,卷出了新高度。
过去一年,OCR 模型从"识别"进化到"理解",从单页进化到整本书,从云端下放到一张显卡。今天你为了扫一份合同头疼,明天 AI 就能自动把整本合同的条款、金额、风险点整理得明明白白。
最后一个问题想抛给各位:如果给你一次机会,你最想让这种"文档理解神器"帮你处理什么?是堆积如山的发票报销,还是读不完的论文和合同? 评论区聊聊,说不定下一个被AI解放的就是你。