电信系下场开源,PaddleOCR 还坐得住吗:国产文档解析的版图要重排

原创2026-10-10 19:06:151,457 阅读

电信系下场开源,PaddleOCR 还坐得住吗:国产文档解析的版图要重排

2026 年 8 月,一个最初以 "NaviDC-OCR" 为名的模型静悄悄放出权重与技术报告;一个月后它更名为 TeleOCR,并以约 1.2B 参数横扫 OmniDocBench v1.6、Wild-OmniDocBench、PureDocBench、Dr.DocBench 与 ICDAR2026 Sci-ImageMiner 五大榜单。真正让圈内震动的不是分数本身,而是它的出身——中国电信旗下 TeleAI(星辰)团队。当"国家队"带着产业场景、国产算力和开源诚意下场,文档解析这条原本由 PaddleOCR-VL、MinerU 双雄把持的赛道,第一次迎来重量级变数。

本文结合 TeleOCR 仓库源码与全网实测情报,拆解三个问题:电信系为什么做文档解析、1.2B 参数如何"读懂一整张文档"、以及这场版图重排会走向哪里。

一、电信系为什么做文档解析:一场"入口级"卡位战

先从时间线看动机。根据 README 的 News 记录,NaviDC-OCR 模型权重与技术报告于 2026/08/17 同日发布(技术报告编号 arXiv:2608.12898);2026/09/01,团队带着原生权重参加 EMNLP 2026 举办的 Dr.DocBench Challenge,成绩直接超过 MinerU 2.5 Pro 与 PaddleOCR-VL 1.6;2026/09/10,项目正式更名为 TeleOCR,成为后续迭代的统一版本。从更名到登顶,节奏之快说明这不是一次偶发的学术实验,而是有组织、有产线规划的动作。

电信系做文档解析,卡位的是"入口":

  • 场景是现成的。运营商体系的政务合同、营业账单、客服工单、纸质档案流转,天然是 OCR 与文档解析的刚需场景;而 RAG 与知识库建设的爆发,让"文档结构化"从可选升级为必选。
  • 底座是自研的。TeleAI 背靠星辰大模型体系与分布式算力,具备从数据清洗、伪标签生成到模型蒸馏的完整训练条件——这是纯学术团队很难复制的禀赋。
  • 合规与信创是硬门槛。政务与金融场景对私有化部署、国产算力适配有刚性要求,社区实测已出现昇腾 910B 上的 bf16 原生部署路径(见下文),这正是电信系的优势区。

更值得注意的是开源姿态:模型采用 Apache-2.0 协议,权重、技术报告、推理代码一次性放出,且对社区贡献(GGUF 转换、llama.cpp 支持)明确致谢。这意味着电信系不是来"刷榜引流"的,而是要把 TeleOCR 做成生态底座——文档解析是所有 AI 应用摄入现实世界信息的咽喉,谁掌握了它,谁就掌握了数据入口。

二、1.2B 的参数,凭什么"读懂一整张文档"

TeleOCR 的核心卖点,是把传统 OCR 从"识字"升级为"理解文档":正文、标题、表格、公式、代码块、版面与阅读顺序一体化输出 Markdown / HTML / LaTeX。做到这一点,靠的不是堆参数量,而是架构继承与训练方法论的组合拳。

架构:站在 Qwen2.5-VL 肩膀上做减法

从仓库的 config.json 可以精确读出模型结构:语言侧为 28 层 Transformer,hidden_size 1024、16 头注意力、8 组 KV 头(GQA),intermediate_size 3072,词表 151936,且开启了 tie_word_embeddings 权重共享;视觉侧为 32 层 ViT,hidden_size 1280,patch 14,window 112,在第 7/15/23/31 层插入全注意力,其余采用窗口注意力,再经 PatchMerger 以 2×2 合并降维(modeling_naviocr.py 中 Qwen2_5_VLPatchMerger 与 spatial_merge_size=2 的实现清晰可见)。约 1.2B 总参数,bfloat16 精度,一张消费级显卡即可推理。

预处理器配置(preprocessor_config.json)中 min_pixels: 3136、max_pixels: 12845056 表明模型采用 Qwen2.5-VL 的动态分辨率机制——高分辨率文档自动切片为多 patch 输入,这为"表格细节不丢、公式不糊"提供了底层保障。

方法论:把"矫正"从预处理挪进模型

README 明确列出了六项关键技术:多节点共识投票(MCV)自动生成伪标签、面向拍摄文档的几何感知建模、曲率引导 Douglas-Peucker 采样(CGDP)、图到图自验证数据清洗、四阶段渐进式训练、表格与公式的内容-结构解耦学习。其中最具战略意义的是几何感知建模:传统方案需要先做去畸变矫正再送识别管线,TeleOCR 则直接把形变感知能力内化进多模态大模型,数字文档与手机实拍弯折文档统一解析、免预矫正。训练数据的自动生成链路(MCV 投票 + 图到图自验证)也解释了 1.2B 小模型为何能获得超越 235B 大模型的精度——高质量的多样本文档数据,远比堆参数有效。

OTSL:给表格识别一条"可验证"的中间语言

表格是文档解析中最容易出错的结构。TeleOCR 没有让模型直接生成 HTML,而是引入 OTSL(表格结构语言)中间格式:仅用 6 个特殊 token(<nl>、<fcel>、<ecel>、<lcel>、<ucel>、<xcel>)描述单元格位置及 rowspan/colspan 关系,再由确定性代码转换为 HTML,避免模型自嗨式生成导致的标签错位。仓库 README.md 给出了完整实现:

def convert_otsl_to_html(otsl_content: str) -> str:
    if otsl_content.startswith("<table") and otsl_content.endswith("</table>"):
        return otsl_content
    tokens, parts = _otsl_extract_tokens_and_text(otsl_content)
    cells, rows = _otsl_parse_texts(parts, tokens)
    # ... 依据 start/end row/col offset 计算 rowspan / colspan
    return "<table>" + "".join(html_rows) + "</table>"

推理侧同样讲究:README 的 infer() 示例采用 do_sample=False 贪心解码,max_new_tokens=4096;generation_config.json 中 temperature=0.1、top_k=1、repetition_penalty=1.05,整套配置指向"文档解析要的是确定性输出,而非创造性发散"。这种"中间格式 + 确定性后处理"的设计,让表格解析结果可验证、可审计,正是生产级流水线最看重的性质。

轻量化的三重落地路径

社区情报给出了三条已验证的部署路径:INT4 量化后约 1GB 显存即可运行;GGUF 量化将 2.8GB 权重压至 1.5GB,配合 llama.cpp 实现无 CUDA 依赖的 CPU 推理,覆盖边缘设备;昇腾 910B 上可做 bf16 原生部署,直接对接国产算力栈。文档解析的私有化门槛,从"服务器级"降到了"单卡甚至纯 CPU"。

仓库中四张示例图直观展示了多任务能力:文本抽取(assets/text.png)、表格还原(assets/table.png)、公式转 LaTeX(assets/formula.png),以及从科学图表中提取隐含表格数据(assets/scientific_figure.png)——后者对应 README 中 "This is a scientific figure. Please extract the table implied by this figure." 的提示词用法,是论文图表数据挖掘的实用场景。

TeleOCR 文本识别示例,输出整段结构化文字

TeleOCR 表格还原示例,OTSL 中间格式经确定性转换输出 HTML

TeleOCR 公式识别示例,输出 LaTeX 表达式

三、榜单与实测:PaddleOCR-VL 与 MinerU 的正面压力

数字最能说明冲击力。先看 OmniDocBench v1.6(仓库 README.md 原始对照表):

模型 参数 Overall Table TEDS Table TEDS-S Text Edit
TeleOCR 1.2B 96.87 97.05 98.52 0.027
OvisOCR2 0.8B 96.58 94.76 97.16 0.025
PaddleOCR-VL-1.6 0.9B 96.33 94.76 97.11 0.033
MinerU2.5-Pro 1.2B 95.75 93.42 95.92 0.036
GLM-OCR 0.9B 95.22 92.83 95.39 0.044
Qwen3-VL-235B 235B 89.78 83.07 86.75 0.063
GPT-5.2 — 86.52 82.95 87.93 0.114

这张表的冲击点有两个:其一,1.2B 的 TeleOCR 在综合分与表格两项上同时压过 PaddleOCR-VL-1.6 与 MinerU2.5-Pro——后两者正是当前国内文档解析使用面最广的模型;其二,235B 的 Qwen3-VL 与 GPT-5.2 被甩开 7~10 分,说明"参数量"在文档解析这件事上远不如"数据与训练目标"重要。

更关键的差异在拍摄文档场景。Wild-OmniDocBench 专门考察手机拍摄、透视变形的真实文档,TeleOCR 以 88.53 综合分登顶,领先 PaddleOCR-VL-1.6(87.36)与 MinerU2.5-Pro(87.33);表格 TEDS 89.05 对两者的 85.76/85.46,优势接近 4 个点。PureDocBench 则验证了抗退化能力:在 Real Degraded 一档,TeleOCR 以 70.85 综合分领先所有端到端 VLM,且在公式与表格子项上均列第一。这与社区实测结论一致——"免畸变矫正的手机拍照文档解析"不是宣传话术,而是基准数据支持的差异化能力。

Dr.DocBench Challenge 的官方记录(README 原始数据)同样值得玩味:TeleOCR 67.96,MinerU 2.5 Pro 62.26,PaddleOCR-VL 1.6 55.11——这是 EMNLP 2026 官方竞赛场景下的"原生权重"成绩,没有任何为竞赛特调的空间。再加上 ICDAR2026 Sci-ImageMiner 榜单排名第一(加权分 41.81,领先第二名 VLMinators),TeleOCR 在"论文图表数据提取"这个垂直场景也建立了话语权。

四、版图推演:国产文档智能的下一个五年

TeleOCR 的入场,实质上是把国产文档解析从"工具竞争"拉进"生态竞争"。

格局一:端到端 VLM 正在取代流水线。 PaddleOCR 长期以"检测 + 识别 + 结构化"流水线闻名,工程成熟度极高;MinerU 则在开源社区深耕 Markdown 转换体验。而 TeleOCR 代表的新范式是"一个模型吃下整张图":版面分析、OCR、表格、公式、阅读顺序一次生成,免矫正、免管线拼接。社区已有 CSDN 实测将其用于财务自动化、法律风险识别与政务服务,输出的正是带层级标签的 JSON 结构化数据——这正是 RAG 与知识库最渴求的输入格式。

格局二:"国家队"补齐了国产算力闭环。 PaddleOCR-VL 与 MinerU 的部署生态以 CUDA 为主,而 TeleOCR 的社区情报中已出现昇腾 910B 原生部署与 GGUF/llama.cpp 纯 CPU 路线。对政务、金融等信创敏感场景,"电信系开源模型 + 国产 NPU"是一条现成的合规路径。这是纯互联网系开源项目难以复制的禀赋。

格局三:竞争重心从"准不准"转向"数据与生态"。 TeleOCR 的技术报告揭示了一个关键事实:它的领先源于高质量多源文档数据驱动的训练链路(MCV 伪标签 + 图到图自验证 + 四阶段渐进训练),而非架构创新。这意味着后续竞争的本质是数据工程能力与持续迭代速度的比拼。电信系手握海量真实业务文档,理论上具有持续供给优质训练数据的优势;而 PaddleOCR 与 MinerU 的护城河则在社区惯性——海量教程、插件生态与生产踩坑经验,这些是刷榜无法替代的。

当然,这场重排并非没有悬念。TeleOCR 目前的技术报告与社区讨论仍集中在基准与部署层,其在中文长文档、复杂版面泛化上的长期表现有待更大规模的生产验证;开源社区的活跃度、周边工具链(标注、微调、服务化框架)的成熟度也仍需时间沉淀。文档解析是一个"慢变量"赛道,一次登顶只是入场券,真正的版图之争才刚刚开始。

对开发者而言,眼下最值得做的一件事是:拿自己的合同扫描件、论文 PDF、甚至手机拍的歪照片,用仓库里 README.md 的 infer() 函数跑一遍,亲自感受"免矫正端到端解析"与既有流水线的差距。国产文档智能的下一轮竞争,已经从"谁能识别得更准"演进到"谁能把现实世界的数据更可靠地送进 AI 系统",而 TeleOCR 已经在这个新战场上,替国家队打出了第一记重拳。

登录后查看全文
TeleOCR