OCR,重新成为研究课题

🧩三种技术押注

目标相同,架构分岔

Mistral OCR 4、PaddleOCR 的 PP-OCRv6,以及百度的 Unlimited-OCR,瞄准的是同一个结果,却拉动了不同的杠杆:一个托管的多语言模型、一个参数量不足 3500 万的端侧家族,以及一个 KV 缓存恒定的长程解析器。这一分岔,正是故事所在。

🌐Mistral OCR 4

托管、多语言、懂结构

Mistral OCR 4 以宽广的语言覆盖与文档结构化输出立足,作为一个托管 API,把 OCR 定位为一项有价的服务,而非一个你自己运行的模型。它比拼的是便利,以及表格/版式的保真,而非生字符精度。

open_in_new mistral.ai/news/ocr-4

📦PP-OCRv6

3500 万参数以下,覆盖 50 种语言

PaddleOCR 的 PP-OCRv6 推出一个分级家族,小到足以在端侧运行,却仍覆盖 50 种语言。它是托管 VLM 的反命题:把检测与识别做成一个可嵌入的微小组件,而非一次远程调用。

open_in_new huggingface.co/blog/PaddlePaddle/pp-ocrv6

📜Unlimited-OCR

一次成形、不切页的解析

百度的 Unlimited-OCR 让 KV 缓存保持恒定,以一趟通行解析长文档,而非把页面切片。它把 OCR 重构为一个长程解码问题——上下文长度与显存,塑造着单次前向能读下多少。

open_in_new github.com/baidu/Unlimited-OCR

🔬工程深潜

把这场收束写成文章

一篇技术长文,追溯这三个版本如何重构文档 OCR——小型专家 对 通用 VLM、不切页的长程解析,以及当基准饱和之后,究竟该测什么。

⚖️专家模型 对 通用 VLM

权衡真正发威之处

纯文档模型以广度换取成本与时延;前沿 VLM 什么都能读,却按 token 计费,且在表格上飘移。这一选择极少关乎峰值精度——它关乎每千页的成本,以及输出如何接入下游解析。

💸每页成本

真正的选择之轴

通用 VLM 按整张渲染页面的 token 计费;专家模型只收一笔极小的固定费用。在文档规模上,这一差距是数倍量级,这正是为什么一个纸面上更逊色的专家,往往拿下生产线上的那个名额。

🧾结构保真

表格、公式、阅读顺序

纯字符精度掩盖了真正的难处:重建表格、方程与阅读顺序。那些吐出结构化版式、而不止于文本的模型,才是能在真实 PDF 与扫描表单的接触中存活下来的。

🛠️管线中的落位

在 RAG/文档栈里,谁该放在哪

OCR 坐落在分块、嵌入与检索的上游。在这里选错模型,误差会向下游处处扩散,因此落位的抉择——事先抽取,还是把 VLM 放进回路——比单一基准上的一个点更要紧。

🔎事先抽取 对 回路之内

两种集成范式

要么 OCR 在前端跑一次,把干净文本喂进索引;要么让 VLM 在智能体回路之内,按需读取页面。事先抽取更便宜、可缓存;回路之内更灵活,却要在每次查询时付出 VLM 的成本。

🧵误差传播

上游的抉择为何会复利累积

OCR 时刻读错的一张表,会变成一个错的嵌入、一次糟糕的检索,以及一个自信满满却错误的答案。修正文档质量最便宜的地方,是在抽取处,而不是事后用提示词去打补丁。

📊基准的天花板

OmniDocBench 正在饱和

当多个模型在同一套件上挤在 90 分以上,排行榜便不再是信号。有意思的差异转移到别处:多语言覆盖、表格与公式上的结构保真,以及每页几美元——而这些,单一的饱和分数一个都捕捉不到。

🗣️多语言覆盖

下一个真正的差异化要素

随着英文文档的分数趋于收敛,语言的广度成为分水岭。一个强于拉丁文字、却弱于中日韩、阿拉伯或印度系文字的模型,与一个为全球覆盖而训练的模型,是两种不同的产品。

❓接下来该测什么

超越单一分数

悬而未决的问题是:用什么来取代一个饱和的排行榜——分语言的精度区间、结构层级的 F1,以及以成本归一化的质量。在这些成为标准之前,选模型仍是一桩工程判断,而非查一次排名。