中国电信突然开源“文档神器”:12亿参数干翻235B大模型,纸拍歪了也能直接读,PaddleOCR还坐得住吗
中国电信突然开源“文档神器”:12亿参数干翻235B大模型,纸拍歪了也能直接读,PaddleOCR还坐得住吗
先问一个扎心的问题:你上一次把一份 PDF 合同、一张发票、或者论文里那张复杂表格,老老实实敲进 Word 和 Excel,花了多久?
很多人都有过这种体验:截图丢给在线 OCR,文字是认出来了,可表格全散架、公式变成一堆乱码、两栏排版被读成“左边一句右边一句”的鬼画符。要是紙张还是歪着拍的、书页还是弯的,那基本等于白干。
就在最近,这个老大难问题被一个“运营商”给盯上了——中国电信旗下的 TeleAI(天翼 AI)开源了文档解析模型 TeleOCR。它只有约 12 亿参数,却在多个公开榜单上把 PaddleOCR-VL、MinerU,甚至 235B 的通义千问、GPT-5.2 这些“大块头”都按在了后面。
一时间,技术圈里冒出同一个问题:国产文档解析这张牌桌,是不是要重新洗牌了?
一、它到底是个啥?一句话:给 AI 换了一双“会看版面的眼睛”
传统 OCR 更像一个“只会抄字的学生”:你给它一张图,它一个字一个字往下抄,至于这页纸哪里是标题、哪里是两栏、哪个格子跨了三行,它经常搞不清。
TeleOCR 干的则是“编辑部老手”的活:先看懂整页纸的结构,再动手抄。
标题是标题,正文是正文,表格按行列还给你,公式写成能编辑的格式,代码块原样保留,阅读顺序也不会串行。最后直接吐出一份结构清晰的 Markdown、HTML 或 LaTeX。
打个比方:以前的工具是“把一锅乱炖的菜一样样捞出来”,TeleOCR 是“先看懂这桌菜怎么摆盘,再按原样复刻一份”。
而且它个子很小。模型文件大约 2.8GB,差不多一部高清电影的大小,跟动辄几百 GB 的“巨无霸”完全不是一个量级。
二、到底强在哪?三个最让人“咦”的地方
第一个狠活:纸拍歪了、书页弯了,它不用先“P 直”
以前的流水线很讲究:先做畸变矫正,再做版面检测,再做文字识别,一步错、步步错。手机随手一拍,只要纸有点弯,后面的结果就开始雪崩。
TeleOCR 的做法是把“几何感知”直接塞进模型脑子里——不做矫正预处理、不额外挂一个矫正模型,弯的、斜的、透视变形的,直接读。
这一点对普通人意义特别大:谁拍文件还架三脚架啊?能歪着拍直接出结果,才是真的省事。
第二个狠活:表格和公式,不再是一团乱码
表格是最能拉开差距的地方。它没有让模型直接“硬写”HTML,而是先用一种极简的表格结构语言描述每个格子的位置和合并关系,再确定性地转成标准表格。简单说,就是先把骨架搭对,再往里填肉,所以合并单元格不容易错位。

公式同理,整屏的推导过程能直接转成可编辑的公式代码,而不是一张“看着像”的图片。

第三个狠活:它还能从图表里把数据“抠”出来
这个功能挺反直觉的:给它一张柱状图截图,它能把每根柱子背后的数字整理成表格。做行业研究、写报告的人应该懂,这意味着什么。

数据上有多夸张? 在 OmniDocBench v1.6 上它拿到 96.87 的综合分,而 PaddleOCR-VL-1.6 是 96.33、MinerU2.5-Pro 是 95.75;放到通用大模型那边,235B 的 Qwen3-VL 只有 89.78,GPT-5.2 是 86.52。
在专门考验“手机实拍、真实退化”的 Wild_OmniDocBench 上,它同样以 88.53 排在第一,压过 PaddleOCR-VL-1.6 的 87.36 和 MinerU2.5-Pro 的 87.33。ICDAR 2026 的科学图表数据提取挑战赛,它也拿了第一。
一个 12 亿参数的小模型,打赢了一群几百亿、上千亿参数的“学霸”,这才是它真正让圈内人坐不住的原因。
三、跟咱普通人有啥关系?四个真实场景
别被“模型”“榜单”这些词劝退,落到生活里其实很具体。
学生和科研党:论文里的公式和表格,直接变成能编辑的内容,不用再一个个符号手敲。
财务、行政、法务:发票、报价单、合同、检验报告批量进 Excel,盖了章、拍歪了、有合并单元格的也能扛。这是最容易被低估的一块——很多公司每年在这上面烧掉的人力,比买软件贵多了。
自媒体和内容人:截图转文字、图片转稿子,比手动敲快得多;连代码截图都能尽量还原成可运行的源码。
想搭 AI 知识库的人:这里要提一个关键比喻。给大模型配知识库,本质是让它“开卷考试”,可如果参考书本身缺页、串行、表格错乱,它答得再流利也是胡说。文档解析就是那本参考书的质量关,这一步做不好,后面全白搭。
四、门槛高不高?普通电脑能不能跑?
这可能是它最“接地气”的部分。
官方权重约 2.8GB,一张入门级显卡(三四 GB 显存这个档位)就能跑起来;社区还把它压到了 1.5GB 左右,用 CPU 也能推理,甚至有人在国产的昇腾 910B 上跑通了。协议是 Apache-2.0,商用基本没有额外绊脚石。
不想折腾环境的,天翼 AI 开放平台上直接有网页版能试,传张图就能出结果。
一句话总结适合谁:怕麻烦的普通用户可以先用网页版尝鲜;对数据隐私敏感的公司,可以整包搬回自己服务器,合同发票一张都不出内网——这一点,恰恰是很多云端 OCR 服务给不了的。
五、PaddleOCR 真该慌吗?这张牌桌会怎么变
先说句公道话:PaddleOCR 不会因为一个模型就倒下。
它这么多年攒下的工具链、文档、中文场景经验和开发者生态,是实打实的护城河。而且两者路线不同——PaddleOCR 更像“全家桶”,检测、识别、版面、表格各管一段,你可以按需拼装;TeleOCR 是“一个模型端到端全包”,省心,但定制颗粒度不如前者细。
真正值得琢磨的是动机。运营商手里握着海量的工单、合同、票据、政企文档,这些是天然的“练兵场”。把模型开源出来,等于把全世界的开发者变成了免费的测试员和场景收集器;等生态长起来,再通过云平台和政企方案收网。这套打法,过去几年在别的赛道已经演过好几遍了。
所以这张牌桌大概率会这样变:
第一,比拼的重点从“谁认得准”转向“谁整页理解得准”。 单字识别早就卷到头了,表格结构、阅读顺序、公式语法才是新的分水岭。
第二,10 亿参数级别会成为主战场。 大模型效果好但太贵,小模型便宜但不够聪明——谁能在这个“甜点区”站稳,谁就能进企业的私有化机房。
第三,手机拍照场景会被单独拎出来考核。 数字化文档大家都能做,真正难的是歪的、弯的、反光的、被手指挡了一角的。这恰恰是中国职场最真实的输入方式。
当然也要泼点冷水:榜单都是团队自己测的口径,真实业务里千奇百怪的版式、潦草的手写体、超大的工程图纸,仍然会撞到边界。别看到分数就闭眼下单,拿自己最脏的那批文件去试,才算数。
结语
从“能认字”到“能读懂一页纸”,国产文档解析这两年其实悄悄跨过了一道坎。以前这类能力攥在少数几家手里,现在一个 12 亿参数、能塞进普通显卡、还能本地私有化部署的模型被摆上了台面——受益的最终还是那些天天跟 PDF 和扫描件搏斗的普通人。
最后留个话题给大家聊聊:
如果一份涉及隐私的合同要转成电子档,你更愿意传给云端的大模型,还是放在自己电脑上的小模型?你被 OCR 坑得最惨的一次,是什么场面? 评论区见。