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
文档解析正在经历一场范式转移。过去两年,行业默认的解法是"大模型 + 后处理管线":先用 200B 以上的通用视觉语言模型"看懂"版面,再靠一堆规则脚本把输出规整成 Markdown、HTML 或 LaTeX。这条路线成本极高——235B 的 Qwen3-VL 跑一次推理就要占用数十张 A100,更别说私有化部署时的显存与延迟账。而由中国电信 TeleAI 团队开源的 TeleOCR(约 1.2B 参数,Apache-2.0),却以不到大模型 1/100 的参数量,在 OmniDocBench、Wild_OmniDocBench、PureDocBench、Dr.DocBench 与 ICDAR2026 Sci-ImageMiner 五大基准上全部登顶,其中 OmniDocBench v1.6 综合得分 96.87,把 GPT-5.2(86.52)甩开整整 10 分。本文结合仓库源码与排行榜原始数据,拆解这份"成绩单"背后的技术含金量。
五大基准的横评成绩单:从 OmniDocBench 到 Sci-ImageMiner
先看硬数据。以下全部来自仓库 README.md 中披露的官方榜单(标注为公开基准原始评测结果,未做任何微调):
| 基准 | TeleOCR | 最强竞品 | 差距 |
|---|---|---|---|
| OmniDocBench v1.6(Overall) | 96.87 | OvisOCR2 96.58 / PaddleOCR-VL-1.6 96.33 | +0.29 ~ +0.54 |
| Wild_OmniDocBench(Overall) | 88.53 | OvisOCR2 87.91 / PaddleOCR-VL-1.6 87.36 | +0.62 ~ +1.17 |
| PureDocBench(Clean Overall) | 86.90 | OvisOCR2 82.14 / MinerU2.5-Pro 75.87 | +4.76 ~ +11.03 |
| Dr.DocBench Challenge(Overall) | 67.96 | MinerU 2.5 Pro 62.26 / PaddleOCR-VL 1.6 55.11 | +5.70 ~ +12.85 |
| ICDAR2026 Sci-ImageMiner(Weighted) | 41.81(第1名) | VLMinators 40.80 / Qwen3 VL 8B 35.97 | +1.01 ~ +5.84 |
注意一个细节:Sci-ImageMiner 是 ICDAR 2026 的正式竞赛,榜单上有 VLMinators、Ricoh_SRCB 等参赛队伍,TeleOCR 以加权分 41.81 位列第一,连 Qwen3 VL 8B 都只能排到第 6(35.97)。这不是"自说自话"的演示分数,而是第三方竞赛主办方组织的独立评测。
这五个基准覆盖了文档解析的全部硬场景:OmniDocBench 考数字文档的版面/OCR/表格/公式/阅读顺序;Wild_OmniDocBench 考真实拍摄环境下的鲁棒性;PureDocBench 把"干净-数字退化-真实退化"三档难度拆开考;Sci-ImageMiner 专攻科学论文图表的数据挖掘;Dr.DocBench 则是 EMNLP 2026 官方挑战赛。五线全胜,说明这份成绩不是靠单一基准"刷"出来的。
TeleOCR vs PaddleOCR-VL:国产开源的正面对话
PaddleOCR-VL-1.6(0.9B)与 TeleOCR(1.2B)是当前国产开源文档解析赛道最直接的对手——参数规模接近、目标任务高度重合、都以轻量部署为卖点。OmniDocBench v1.6 的细分指标给出了两者差距最清晰的切面:
| 指标 | TeleOCR (1.2B) | PaddleOCR-VL-1.6 (0.9B) | MinerU2.5-Pro (1.2B) |
|---|---|---|---|
| Overall ↑ | 96.87 | 96.33 | 95.75 |
| Text Edit ↓ | 0.027 | 0.033 | 0.036 |
| Formula CDM ↑ | 96.36 | 97.49 | 97.45 |
| Table TEDS ↑ | 97.05 | 94.76 | 93.42 |
| Table TEDS-S ↑ | 98.52 | 97.11 | 95.92 |
| Read Order Edit ↓ | 0.122 | 0.127 | 0.120 |
数据揭示了一个关键事实:在公式生成(CDM)单项上 PaddleOCR-VL-1.6 反而领先 1.13 分,TeleOCR 的真正优势集中在表格结构化——Table TEDS 领先 2.29 分、TEDS-S 领先 1.41 分。这是文档解析中最具工程价值、也最容易出错的部分。表格优势的来源在源码里可以找到答案:TeleOCR 没有让模型直接输出 HTML,而是引入了一套名为 OTSL(表格结构语言)的中间格式,只用 6 个特殊 token(<nl>、<fcel>、<ecel>、<lcel>、<ucel>、<xcel>)描述单元格位置与 rowspan/colspan 关系,再用确定性代码把 OTSL 翻译成 HTML。在 README.md 的 Quick Start 中,convert_otsl_to_html() 函数逐格解析合并单元格、生成带 rowspan/colspan 属性的 <td> 标签——这相当于把最容易失控的"结构推理"从自由文本生成中剥离出来,变成可验证的确定性计算,从机制上杜绝了表格结构错位。
在 Wild_OmniDocBench(真实拍摄、扭曲、遮挡场景)上,差距进一步拉开:TeleOCR 88.53 vs PaddleOCR-VL-1.6 87.36。这个 1.17 分的差距背后,是 TeleOCR 的"几何感知文档建模"路线:不做去扭曲预处理,而是让模型直接理解拍摄文档的几何形变。README 披露了其核心技术之一 Curvature-Guided Douglas-Peucker Sampling(CGDP),通过曲率引导的采样策略刻画文档弯曲,配合 DocUNet / DIR300 扭曲数据集上的直接解析评测(无需 dewarping 模型),把"相机一拍、直接解析"变成了模型的内建能力。而 PaddleOCR-VL 系列仍走传统"矫正 + 识别"解耦路线,在理想数字文档上两者差距不大,一旦进入手机拍摄的真实世界就拉开身位。
1.2B vs GPT-5 系列:参数悬殊下的降维打击
如果说同量级选手的对比还属"棋逢对手",那与千亿级通用大模型的对比就是本次横评最反直觉的部分。在 OmniDocBench v1.6 的 General VLMs 类别中:
| 模型 | 参数 | Overall ↑ | Text Edit ↓ | Table TEDS ↑ |
|---|---|---|---|---|
| TeleOCR | 1.2B | 96.87 | 0.027 | 97.05 |
| Gemini 3 Pro | — | 92.85 | 0.064 | 89.15 |
| Qwen3-VL-235B | 235B | 89.78 | 0.063 | 83.07 |
| GPT-5.2 | — | 86.52 | 0.114 | 82.95 |
| InternVL3.5-241B | 241B | 83.61 | 0.130 | 74.35 |
GPT-5.2 的 Overall 只有 86.52,比 TeleOCR 低 10.35 分;文本编辑距离(Text Edit,越低越好)为 0.114,是 TeleOCR(0.027)的 4 倍多;表格 TEDS 82.95 vs 97.05,差距更悬殊。235B 的 Qwen3-VL 同样败北。这意味着在"文档解析"这个垂直任务上,通用大模型的"常识广度"换不来"结构化精度"——通用模型擅长泛化对话,但面对密集的表格布局、公式排版与阅读顺序,其自回归生成的天生缺陷(结构漂移、token 注意力分散)被放大,而 TeleOCR 用任务专用架构、专用训练数据和确定性后处理把这些缺陷全部封死了。
更有说服力的是成本账。社区实测显示:TeleOCR 在 bfloat16 精度下单卡约 3GB 显存即可运行,INT4 量化后仅约 1GB 显存;社区贡献者已完成 GGUF 转换,模型从 2.8GB 压缩到 1.5GB,可用 llama.cpp 在无 CUDA 的 CPU 环境推理,还打通了昇腾 910B 的 bf16 原生部署。相比之下,跑一次 235B 模型需要数十 GB 显存与昂贵的推理集群。当"解析精度"与"部署成本"同框比较时,1.2B 小模型的工程胜利是决定性的。
小模型凭什么赢:从源码看架构与数据双轮
TeleOCR 的胜出不是"模型更小所以更快"的偶然,而是架构精简 + 数据工程极致化的结果。仓库中的 config.json 与 modeling_naviocr.py 完整还原了这套设计:
- 视觉编码器:32 层 ViT(
vision_config.depth: 32),hidden size 1280,采用窗口注意力(window_size: 112)并只在第 7/15/23/31 层做全注意力(fullatt_block_indexes),窗口注意力把高分辨率文档图像的 token 计算量大幅压缩;patch 经 Conv3d 嵌入后由 PatchMerger 融合为 1024 维。 - 语言模型:28 层 decoder,hidden size 1024、GQA 分组查询注意力(8 个 KV head)、M-RoPE 三维位置编码(
mrope_section: [16,24,24],对文本/图像高度/宽度分别编码),支持 128K 上下文——长文档解析所需的"跨页记忆"正是靠这段长上下文能力支撑。 - 动态分辨率:preprocessor_config.json 中
min_pixels: 3136、max_pixels: 12845056,模型按输入图像动态调整 token 网格,低分辨率文档不被压缩、高分辨率文档不被截断。 - 确定性解码:generation_config.json 采用
top_k: 1、temperature: 0.1的近似贪心配置,Quick Start 示例中更是直接do_sample=False——文档解析不允许"创作",确定性输出是结构化精度的前提。
训练侧的技术栈同样关键:Multi-Node Consensus Voting(MCV)用多模型投票自动生成伪标签、Image-to-image 自校验做数据清洗、四阶段渐进式训练(先版面/OCR,再表格公式,最后畸变文档)、内容-结构解耦学习(Content-Structure Decoupled Learning)让表格的"内容识别"与"结构推理"互不干扰。README 明确列出这些是相对前代文档解析模型的核心创新,其中"高质量多源数据驱动、而非单纯堆参"是贯穿全文的基调。
六行代码的端到端解析:Quick Start 实战验证
排行榜分数终究要落到代码上。仓库 README.md 的 Quick Start 展示了这套端到端能力的最小闭环——模型加载后,用同一个 infer() 函数切换提示词即可完成五类任务:
image = Image.open("./assets/text.png").convert("RGB")
raw_text = infer(image, "Please output the text content from the image.")
image = Image.open("./assets/table.png").convert("RGB")
raw_otsl = infer(image, "This is the image of a table. Please output the table in OTSL format.")
print(convert_otsl_to_html(raw_otsl))
image = Image.open("./assets/formula.png").convert("RGB")
raw_formula = infer(image, "Please write out the expression of the formula in the image using LaTeX format.")
文字直接抽、表格走 OTSL 转 HTML、公式输出 LaTeX(post_process 自动补全 $$...$$ 包裹),此外还覆盖代码截图还原、版面分析(输出带 bbox、倾斜角度与阅读顺序的 JSON)、科学图表数据挖掘(scientific figure 隐式表格提取)以及扭曲拍摄文档的直接版面解析。以下四张图即为 Quick Start 中对应的测试样例:
值得强调的是"双场景统一":同一份权重,既能解析数字 PDF,也能直接处理手机拍摄的弯折文档——README 用 DocUNet 与 DIR300 两个公开去扭曲数据集做了可视化评测,模型在复杂几何形变下直接输出版面与内容解析结果,全程不需要 dewarping 预处理或独立的矫正模型。对 RAG 与知识库场景而言,这意味着"拍照件入库"再也不是 pipeline 的断点。
结论
把五张榜单、三组对手、一套源码放在一起,TeleOCR 的"屠榜"逻辑已经清晰:它不是参数竞赛的产物,而是任务专用架构 + 数据工程 + 确定性后处理的组合拳。在 OmniDocBench 上,它以 96.87 分同时击败了同量级的 PaddleOCR-VL-1.6、MinerU 2.5 Pro 和百倍参数的 GPT-5.2;在 Dr.DocBench 官方挑战赛上,它以原生权重直接超过 MinerU 2.5 Pro 与 PaddleOCR-VL 1.6。国产开源文档解析赛道的竞争,已经从"谁更大"转向"谁更懂文档",而这份 1.2B 的成绩单,给出了一个极具工程说服力的答案。




