全球OCR新王来自中国开源！GitHub狂揽73300+Star

西风 发自 凹非寺

量子位 | 公众号 QbitAI

GitHub OCR项目之王刚刚历史性易主。

诞生近40年、统治OCR领域的技术标杆Tesseract OCR，被中国开源拉下王座——

百度文心衍生模型PaddleOCR以73300+Star，正式登顶GitHub全球OCR项目榜，终结谷歌Tesseract OCR长期霸榜局面。

这也是中国开源在这一基础赛道上，首次拿下全球Star第一。

不仅如此，在Hugging Face上，PaddleOCR也长期处于OCR与文档解析领域的头部位置，已经成为全球开发者的必备工具。

消息一出，开发者社区瞬间炸开了锅。

从“跟跑”到“领跑”，大模型时代，中国开源项目正在用实力改写全球竞争格局。

光超越还不够，划重点：

PaddleOCR同步升级服务放出一波福利，官⽹免费每⽇解析⻚数翻番，由1万提升⾄2万。用户还可通过OpenClaw直接调用PaddleOCR Skill，为其接入专业“视觉”能力。

PaddleOCR OCEAN生态联盟也重磅发布，面向核心开源贡献者、企业用户、模型托管平台及硬件厂商等OCR上下游伙伴，这将进一步推动OCR能力在更广泛场景中的应用落地。

大模型时代，PaddleOCR是如何拔得头筹的？OCR又为何如此重要？

超越谷歌Tesseract OCR，新王者诞生

在OCR领域，Tesseract OCR无疑是一座里程碑式的存在，它的发展历程跨越四十多年。

1985年，Tesseract OCR诞生于惠普公司的研发项目。彼时的OCR技术尚处于起步阶段，核心需求集中在商业文档的自动化识别与录入。

1994年，Tesseract OCR核心版本开发完成。在1995年美国内华达大学拉斯维加斯分校（UNLV）组织的OCR评测中，Tesseract OCR凭借优异的印刷体识别精度，跻身全球顶尖OCR引擎行列。

不过，随着惠普业务重心的调整，1996年后，Tesseract OCR的研发工作几乎陷入停滞。直到2005年，惠普决定将Tesseract OCR开源。

转折点出现在2006年，谷歌看中了Tesseract OCR的技术潜力，接过手来将其纳入自身开源生态体系。研发团队修复了大量历史遗留的bug，优化了引擎的运行速度和兼容性，更紧跟技术潮流，推动其完成了从传统算法到深度学习的跨越。

但技术世界的法则从来如此：没有永恒的王者，只有持续迭代的创新。

由文心大模型衍生而来的PaddleOCR，正是这场变革的引领者。

PaddleOCR的登顶，并非一朝一夕之功。它诞生于2020年，是深度学习时代下原生基于深度学习技术构建的模型。

2023年，大模型浪潮席卷整个AI行业，OCR赛道也迎来代际更替。文心大模型的持续高速迭代，直接为PaddleOCR带来了全新的能力天花板。

PaddleOCR与文心大模型之间，逐渐玩出了一套非常有意思的双向赋能组合拳:

一个负责“看”：用高精度的文本提取能力，把文档中的文字、表格、公式准确捞出来，为大模型提供“食材”。

一个负责“懂”：文心大模型快速迭代，在多模态方向实现突破，视觉理解、跨模态融合、结构化输出，能力版图一步步补齐。文心不仅能消化这些信息，还能反哺PaddleOCR，让它真正理解复杂文档的逻辑脉络。

这种协同直接推动了PaddleOCR的爆发式增长。

Star History显示，GitHub PaddleOCR Star数自2024年起呈现加速增长态势。

基于文心大模型技术底座，PaddleOCR-VL、PaddleOCR-VL-1.5核心模型相继推出。

2025年10月，百度发布并开源自研多模态文档解析模型PaddleOCR-VL。

PaddleOCR-VL仅0.9B参数量，就在全球权威文档解析评测榜单OmniDocBench V1.5上拿下92.6分的成绩，超越Gemini-2.5 Pro、GPT-4o等与其体量悬殊的多模态大模型以及OCR领域的垂直模型dots.ocr、MinerU等，获得综合性能全球第一。

在文本识别、公式识别、表格理解、阅读顺序四大核心能力上，PaddleOCR-VL全面刷新SOTA：

同时，发布16小时内，PaddleOCR-VL直冲HuggingFace Trending全球第一、ModelScope Trending全球第一、HuggingFace Paper Trending全球第一，持续五天登顶。

今年一月底，百度再次发力，发布并开源新一代文档解析模型PaddleOCR-VL-1.5。

同样仅0.9B参数，PaddleOCR-VL-1.5在OmniDocBench V1.5上的整体精度再提升，达到94.5%，超过Gemini-3-Pro、DeepSeek-OCR2、Qwen3-VL-235B-A22B、GPT-5.2等，全球综合性能排第一。

新一代模型更进一步实现了全球首次“异形框定位”。

模型能够精准识别倾斜、弯折、拍照畸变等非规则文档形态，让“歪文档”实现稳定、可规模化解析。金融票据处理、档案数字化等真实场景中的老大难问题，终于有了解决方案。

目前，PaddleOCR用户已覆盖160个国家和地区，支持110+种语言识别，成为真正意义上具有全球影响力的开源项目。

5M参数模型硬刚千亿模型

这些只是水面之上的部分。让PaddleOCR实现翻盘的，还有水面之下的技术突破、积淀和创新。

CVPR 2026，PaddleOCR团队有两篇研究成果成功被收录。

这两篇论文瞄准的都是OCR领域最前沿、最棘手的行业难题。拆开这两篇论文，或许就能从更深层的技术视角看懂PaddleOCR到底强在哪。

首先是PP-OCRv5这项工作。

PP-OCRv5论文链接: https://arxiv.org/pdf/2603.24373v1

PP-OCRv5提出的是一个反直觉的事：参数不一定是越大越好。

模型参数仅5M，却能在手写、多语言、自然场景下表现超越GPT-4o等千亿参数的大模型。

怎么做到的？答案是“数据为中心”的系统化优化策略。

OCR领域，大参数视觉语言模型占主导。但这类通用大模型普遍存在定位精度不足、文本幻觉等致命问题，而传统轻量化OCR模型又过度聚焦架构创新，始终被数据质量与规模的短板限制性能。

PP-OCRv5正是在这样的背景下诞生的。

百度飞桨团队没有盲目堆模型规模，而是提出了一套针对OCR数据的量化分析框架，从数据难度、数据准确性、数据多样性三个维度，彻底重构了OCR模型的数据训练策略。

实验验证了数据三维度优化的有效性。

关键是，团队发现了这样一条规律：

模型训练存在明确的“难度甜点区”，中等难度的数据训练效率最高，简单样本和高难度样本都需要控制比例；特征多样性远比盲目堆砌数据量更重要；而小模型对标签噪声居然有天然的强鲁棒性。

在内部多场景基准测试中，PP-OCRv5加权准确率从PP-OCRv4的53.0%大幅提升至80.1%，在OmniDocBench上，该模型以5M参数实现0.067的平均归一化编辑距离，在专用OCR模型中达到最优水平，在多语言处理、旋转文本、复杂背景等场景表现稳健，定位精度更高、幻觉更少、计算成本远低于百亿参数视觉语言模型。

这一切都指向一个核心结论：数据策略的上限还没有被充分挖掘。通过精细化的“数据工程”，小模型可以在OCR场景媲美大模型。

在PaddleOCR团队看来，“数据本身，可能会慢慢变成⼀条更独⽴、也更重要的能⼒曲线”。

再来看另一项被接收的工作，正是PaddleOCR-VL。

PaddleOCR-VL论文链接: https://arxiv.org/pdf/2603.24326

如果说PP-OCRv5解决的是“参数效率”，那PaddleOCR-VL进一步解决的是“计算困境”。

高分辨率文档解析一直是VLM的痛点——输入一张高清文档，视觉Token数量呈二次方增长，算力消耗爆炸。但文档图像中大量是空白背景，算力浪费严重。

PaddleOCR团队的解法很巧妙：别一开始就处理整张图，先找到重点。

他们提出了“由粗到细”（Coarse-to-Fine）架构：先用一个轻量级的有效区域聚焦模块（VRFM）定位文档中的关键区域，再让0.9B的模型只处理这些区域。

结果，视觉Token数量只有竞品的1/3到1/2，精度反而更高。如前所述，在OmniDocBench V1.5权威榜单上，PaddleOCR-VL以92.62分的综合成绩登顶全球第一。

总结来看，PaddleOCR的反超是技术代际更替的必然。

为什么AI厂商都在抢OCR？

如果把过去半年AI圈的热闹拉出一条时间线，会发现一个清晰的现象：

近半年，从巨头到创业公司，国内外OCR赛道迎来集体爆发。

2025年10月，百度PaddleOCR-VL、DeepSeek-OCR、Allen AI olmOCR-2、Nanonets-OCR2-3B、dots.ocr.base几乎同时发布。

抱抱脸模型趋势榜一度被OCR模型“屠榜”。

到了11月，腾讯HunyuanOCR问世；12月，Mistral OCR 3发布。

2026年1月，LightOnOCR-2、DeepSeek-OCR-2、百度PaddleOCR-VL-1.5接踵而至。

2月，智谱GLM-OCR发布；3月，小红书FireRed-OCR加入战局。

为什么这么卷？两个字：数据。

互联网公开的高质量数据快被“啃”完，模型训练面临数据亏空。行业广泛判断，大量有价值信息仍沉淀在文档、书籍、合同、表格、扫描件等离线载体中。

OCR就是那把钥匙。

这些海量非结构化信息，无法直接被大模型理解与利用，必须经过OCR，将图像中的文字、版面结构、表格、公式等转化为机器可处理的电子化文本。

所以OCR的身份正在被重写：

从早期依赖手工规则的扫描小帮手，到特征工程与深度学习驱动的高精度字符识别工具，再到如今与Transformer和Agent深度融合的新阶段，它早已跳出“办公室里的文档提取器”定位。

现在，它是大模型数据生态的基座，是Agent理解真实世界的“眼睛”，是大模型变聪明的“钥匙”。

就连启蒙全球千万学习者的AI大牛吴恩达，今年年初推出的新课程也是聚焦OCR。课程内容就是关于智能体文档提取（Agent Doc Extraction），也就是教你怎么给OCR装上智能体大脑。

当各家大模型的参数规模越来越接近，决胜的关键反而回到了最底层的数据获取与处理能力。谁拥有更强的OCR能力，谁就掌握了现实世界的信息入口，谁就能为自己的大模型提供源源不断的高质量养料。

PaddleOCR的登顶，正是这场角色转换中最具标志性的事件之一。

更值得关注的是，这场竞争才刚刚开了个头。

未来，OCR的比拼会越来越“钻”。可以想象的一种方向是场景化，不再追求大而全，而是把金融票据、医疗档案、教育试卷等垂直场景做深做透；另一种是端云协同，轻量模型跑在手机、扫描仪上，本地快速识别，云端精准优化，既省算力又保隐私。

更大的想象空间在于OCR和多模态大模型、Agent更深度地融合，我们或许能看到真正的“全能信息处理助手”。

PaddleOCR的登顶，为中国厂商在OCR赛道拿下了领先身位。它背后折射出的，是中国开源整体实力和全球影响力的加速赶超。

从底层基础设施到前沿技术突破，中国开源正在越来越多的赛道上拿出世界级的表现。OCR，只是其中一块拼图。