如何选择开源 OCR 模型:PDF 与扫描件的文档解析

按规模、许可证、语言和工具链对比开源 OCR 与文档解析模型,帮你判断发票、长 PDF、中文页面或笔记本电脑分别该选哪一个。

  • 入门
  • 阅读约 12 分钟
  • 发布于
  • 更新于

简短回答。 大多数文档,先从约 1B 参数的小型解析模型试起:通用页面用 PaddleOCR-VL 或 GLM-OCR,笔记本或手机上处理中英文用 MiniCPM-OCR,还想要边界框就用 LightOnOCR-3,在 NVIDIA GPU 上大批量解析可以用 Nemotron 3.5 Parse,想按自己定义的模板把字段提取成 JSON 可以用 NuExtract3。先看许可证再看基准,因为本站目前收录的 12 个 OCR 模型里有三个限制了商用;并且要在自己的扫描件上测试两三个候选,因为所有公布的分数都是开发者自己给出的。

如今的开源 OCR 模型能做什么

传统 OCR 在图像中找出字符并返回文本。本指南里的开源模型是小型视觉语言模型,能读取整页内容,并以 Markdown、HTML 或 JSON 写回,保留标题、表格和公式的位置。有些还会返回每个内容块在页面上的位置、从表单中提取字段,或翻译图像里的文字。

它们大多有 0.6B 到 5.3B 参数,一张消费级 GPU 就够用,常用来把 PDF 变成干净的文本,供检索增强生成使用。OCR 与文档模型榜单列出了我们收录的所有模型,术语可以看词条 OCR 与文档解析。

候选清单

模型 规模 许可证 发布时间 特点
PaddleOCR-VL 0.96B Apache 2.0 2026 年 5 月 支持表格、公式、图表和印章,适合以中文为主的页面
GLM-OCR 0.9B MIT 2026 年 2 月 带 SDK,并能把字段提取成固定的 JSON 结构
Xiaomi-OCR-0 0.9B Apache 2.0 2026 年 9 月 很小的首个版本,支持解析、提取和 OCR 问答
MiniCPM-OCR 1.3B Apache 2.0 2026 年 10 月 中英文、拍照页面,支持 iOS 和 llama.cpp
HunyuanOCR 1.1B 腾讯混元社区许可 2026 年 7 月 解析、提取和翻译图像中的文字
LightOnOCR-3 0.8B、1B、4B Apache 2.0 2026 年 10 月 输出带边界框的 Markdown,还有图片描述和图表数据
Nemotron 3.5 Parse 0.63B OpenMDW-1.1 2026 年 10 月 输出文本、表格、图表数据、阅读顺序和边界框;一到三遍解析在准确率和速度间取舍
NuExtract3 4.5B Apache 2.0 2026 年 5 月 按你定义的模板填写 JSON,或输出 Markdown,推理可选
Unlimited-OCR 3.3B MIT 2026 年 6 月 一次处理几十页到 100 多页
DeepSeek-OCR 2 3.4B Apache 2.0 2026 年 1 月 编码器按语义给视觉 token 排序
Chandra OCR 2 5.3B Datalab OpenRAIL-M 2026 年 3 月 90 多种语言,支持手写体、表单和复杂表格
Surya OCR 2 0.69B Datalab OpenRAIL-M,500 万美元上限 2026 年 5 月 版面、阅读顺序和表格,有 91 种语言的分项成绩;用 vLLM 或 llama.cpp 运行

2025 年 10 月发布的第一代 DeepSeek-OCR 仍有很高的下载量,但我们把它标为旧版,因为 DeepSeek-OCR 2 换用了不同的编码器和不同的许可证。

按文档类型选择

  • 一般的商务文档和 PDF。 先试 PaddleOCR-VL 或 GLM-OCR。两者规模相近,请在你的页面上都测一遍;GLM-OCR 与 PaddleOCR-VL 对比页面列出了它们的区别。
  • 需要把字段以 JSON 取出的发票、证件和表单。 GLM-OCR 能把字段提取成固定结构,MiniCPM-OCR 提供针对发票、表单和印章的关键信息提取,NuExtract3 则按你定义的 JSON 模板填写,找不到的字段填 null。
  • 中文和英文页面,包括拍照、倾斜或弯曲的页面。 选 MiniCPM-OCR。如果是含古籍或生僻字的中文文件,PaddleOCR-VL 是另一个选择。
  • 在 NVIDIA GPU 上大批量解析。 Nemotron 3.5 Parse 让你给每页选择一遍、两遍或三遍解析,NVIDIA 自己的表格列出它每秒处理 13.5 页,而 LightOnOCR-3-4B 为 2.8 页。它的模型卡把 Linux 加 H100 或 H200 GPU 列为测试环境。
  • 需要跨页上下文的长 PDF。 Unlimited-OCR 一次可以读取几十页到 100 多页。
  • 手写体、复选框、数学公式和多种语言。 Chandra OCR 2 覆盖 90 多种语言,但请先读它的许可证。
  • 用很小的模型完成版面、阅读顺序和表格。 Surya OCR 2 用一个 1.4 GB 的模型同时完成这三件事,通过 vLLM 或 llama.cpp 提供服务,所以能在 CPU 或 Apple Silicon 上运行。它的权重只在营收和融资都低于 500 万美元时免费,Datalab 自己的数字也显示它处理旧扫描件较弱。
  • 需要版面边界框、图片描述和图表数据。 LightOnOCR-3 用同一个模型就能给出,不过它的模型卡只列出英文。MiniCPM-OCR 与 LightOnOCR-3 对比比较了这两者。
  • 要翻译的菜单、海报和截图。 HunyuanOCR 能翻译图像中的文字,但要符合它的许可证。
  • 手机或较旧的笔记本。 用 0.8B 到 1.3B 的模型。MiniCPM-OCR 支持 iOS 和 llama.cpp,HunyuanOCR 可以通过 llama.cpp 在本地运行。

先看许可证

当前的 12 个模型中有 9 个采用 Apache 2.0、MIT 或 OpenMDW-1.1,允许商用,条件很少。另外三个不同,它们的许可证页面都有详细说明:

  • Chandra OCR 2 采用修改版 OpenRAIL-M 许可证。只有上一年营收低于 200 万美元、累计融资也低于 200 万美元的组织才能免费商用。它还禁止用模型去和 Datalab 竞争,衍生模型和输出内容都必须沿用同一许可证。
  • Surya OCR 2 采用同一份修改版 OpenRAIL-M 文本,但限额更高:上一年营收低于 500 万美元、累计融资也低于 500 万美元,同样禁止与 Datalab 竞争,同样要求相同方式共享。它的代码是 Apache 2.0,权重则不是。
  • HunyuanOCR 采用腾讯混元社区许可证。它只在欧盟、英国和韩国以外有效,也不得用模型或其输出来改进其他 AI 模型。

还有两点在实际使用中同样重要。完整的 GLM-OCR 流水线还用到第二个模型 PP-DocLayoutV3,它采用 Apache 2.0,所以会涉及两份许可证。另外,第一代 DeepSeek-OCR 是 MIT,DeepSeek-OCR 2 是 Apache 2.0,部署时请确认你用的是哪个仓库。如何读懂这些条款,可以看AI 许可证详解。

不要按主打分数排名

几乎每个 OCR 模型卡都会引用 OmniDocBench 的分数,但这些数字没有可比性。GLM-OCR 公布的是 1.5 版上的 94.62,PaddleOCR-VL 公布的是 1.6 版上的 96.33。两个数字都出自开发者,而且版本不同。Xiaomi-OCR-0 在自己的表格里报告在 Real5-OmniDocBench 上排名第一,Unlimited-OCR 的 MarathonDocBench 结果是百度自己创建并公布的,LightOnOCR-3 的结果则来自 LightOn 自己的博客。Nemotron 3.5 Parse 用的又是另一个基准 ParseBench,NVIDIA 报告它在最慢的模式下得 75.20,在 NVIDIA 自己的表格里只比 LightOnOCR-3-4B 高 0.1 分。

把这些分数当作建立候选清单的参考。词条基准测试解释了原因,最终的决定要靠你自己的文档。

在你自己的页面上测试

挑出 30 到 50 页与实际输入相似的页面,包括最差的扫描件,用两三个候选模型都跑一遍,然后检查:

  1. 姓名、数字和编号,逐字符核对。 一个错误的数字是你最承受不起的错误。
  2. 表格结构, 尤其是合并单元格和多行单元格。
  3. 多栏页面、脚注和侧栏的阅读顺序。
  4. 手写体、印章和拍照页面, 如果你有的话。
  5. 凭空出现的文字。 模型可能加上页面上没有的字,所以要抽样对照原图。
  6. 输出格式。 确认 Markdown、HTML 或 JSON 符合下一个环节的要求。

如何自己评估 AI 模型介绍了怎样把这些变成可重复使用的测试集。

内存与部署

按我们的估算,0.9B 的模型在 BF16 下约需 2 GB 内存,4 位下约 0.6 GB;4B 到 5B 的模型在 BF16 下约需 10 到 12 GB。页面图像和较长的输出会增加占用,你可以用显存计算器试算自己的数字。

这些模型在部署上差别最大:

  • PaddleOCR-VL 的默认路线需要 PaddlePaddle 3.2.1 或更高版本,macOS 用户被建议使用 Docker。
  • 0.8B 和 4B 规格的 LightOnOCR-3 需要 Transformers 5.5.4 或更新的版本。
  • DeepSeek-OCR 2 和 Unlimited-OCR 使用自定义的模型代码,所以必须启用 trust_remote_code,并固定库的版本。
  • Nemotron 3.5 Parse 在 Transformers 中同样需要 trust_remote_code,也可以改用 vLLM。它返回的是带控制标记和归一化坐标的字符串,所以需要 NVIDIA 的后处理工具才能转成结构化结果。
  • 用 MiniCPM-OCR 做整页解析,依赖单独的版面模型 PP-DocLayoutV3,而且要先自己启动模型服务,它的 SDK 才能工作。

这些模型大多可以通过 vLLM 或 Transformers 运行,有 GGUF 版本的可以用 llama.cpp。文本整理干净之后,搜索流水线的下一步是嵌入模型,如何选择嵌入模型会介绍这一步。

常见问题

最好的开源 OCR 模型是哪个?
没有唯一最好的模型。处理一般页面,可以先试 PaddleOCR-VL 和 GLM-OCR,两者都约 0.9B 参数,许可证也都宽松。它们主打的分数来自 OmniDocBench 的不同版本,而且都是开发者自己公布的,所以请在你自己的文档上测试两者。
这些 OCR 模型可以商用吗?
大多数可以。PaddleOCR-VL、MiniCPM-OCR、LightOnOCR-3、Xiaomi-OCR-0、DeepSeek-OCR 2 和 NuExtract3 采用 Apache 2.0,GLM-OCR 和 Unlimited-OCR 采用 MIT,Nemotron 3.5 Parse 采用宽松的 OpenMDW-1.1。Chandra OCR 2 只允许营收和融资额都低于 200 万美元的组织商用,Surya OCR 2 的上限是 500 万美元,HunyuanOCR 在欧盟、英国和韩国不授权。
运行 OCR 模型需要 GPU 吗?
约 1B 参数的模型一张消费级 GPU 就放得下。按我们的估算,0.9B 的模型在 BF16 下约需 2 GB 内存,4 位下约 0.6 GB。如果是没有大显卡的 Mac 或笔记本,可以找支持 llama.cpp 的模型,MiniCPM-OCR 和 HunyuanOCR 都支持。
能不能直接用 Qwen3.6 这样的通用模型做 OCR?
可以读取图片里的文字,因为 Qwen3.6 支持图像输入,处理少量页面可能就够了。专门的解析模型只有约 1B 到 5B 参数,而 Qwen3.6 是 27B 或 35B,所以它们需要的内存少得多,而且就是为把表格和公式写成 Markdown 而做的。
OmniDocBench 衡量什么?
OmniDocBench 评估模型把各种类型的 PDF 页面转成文本、表格和公式的能力。不同版本的分数不能比较,所以要看清版本,也要看是谁跑的测试。

本文关键术语

  • 基准测试(Benchmark) 基准测试是用来比较模型的标准化测试,例如一组数学、编程或知识问题;分数有参考价值,但很容易被过度解读。
  • OCR 与文档解析 OCR 把图片中的文字转成文本;文档解析则更进一步,重建表格、公式、图表和阅读顺序,通常输出 Markdown。
  • OmniDocBench OmniDocBench 是文档解析基准:它给模型把各种类型的 PDF 页面转成文本、表格和公式的能力打分。
  • 检索增强生成(RAG) 检索增强生成让模型能够根据你自己的文档来回答问题:先检索出相关段落,再把它们加入提示词。
  • 视觉语言模型(VLM) 视觉语言模型能同时读取图像(通常还有视频)和文本,所以你可以针对一张图片、一张截图或一页文档提问。

本文提到的模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
PaddleOCR-VL Baidu 960M – Apache 2.0 (宽松) 0.662 GB 笔记本或手机
GLM-OCR Z.ai (Zhipu AI) 900M – MIT (宽松) 0.621 GB 笔记本或手机
MiniCPM-OCR 1.0 OpenBMB 1.3B 256K Apache 2.0 (宽松) 0.897 GB 笔记本或手机
LightOnOCR-3 LightOn 853M – 4.54B 256K Apache 2.0 (宽松) 0.589 GB 笔记本或手机
Nemotron 3.5 Parse NVIDIA 631M – OpenMDW-1.1 (宽松) 0.435 GB 笔记本或手机
Unlimited-OCR Baidu 3.34B – MIT (宽松) 2.3 GB 笔记本或手机
DeepSeek-OCR 2 DeepSeek 3.39B – Apache 2.0 (宽松) 2.34 GB 笔记本或手机
Xiaomi-OCR-0 Xiaomi 873M 256K Apache 2.0 (宽松) 0.602 GB 笔记本或手机
HunyuanOCR Tencent 1.12B 128K Tencent Hunyuan (附条件) 0.773 GB 笔记本或手机
Chandra OCR 2 Datalab 5.3B 256K OpenRAIL-M (Datalab) (附条件) 3.66 GB 笔记本或手机
Surya OCR 2 Datalab 690M 256K OpenRAIL-M (Datalab Surya) (附条件) 0.476 GB 笔记本或手机
NuExtract3 NuMind 4.54B 128K Apache 2.0 (宽松) 3.06 GB 笔记本或手机