TeleOCR到底有多强？OmniDocBench等5大基准实测对比PaddleOCR-VL、MinerU与GPT-5

TeleOCR到底有多强？OmniDocBench等5大基准实测对比PaddleOCR-VL、MinerU与GPT-5

【免费下载链接】TeleOCR项目地址: https://ai.gitcode.com/hf_mirrors/StarDoc-AI/TeleOCR

TeleOCR 是一个仅约1.2B 参数的开源轻量级文档解析模型（视觉-语言模型，VLM），单个框架就能同时处理数字 PDF 文档和手机拍照的纸质文档。这篇文章将用 OmniDocBench、Wild_OmniDocBench、PureDocBench、Dr.DocBench 挑战赛和 ICDAR2026 Sci-ImageMiner5 大公开基准的实测数据，把它与 PaddleOCR-VL、MinerU 以及 GPT-5 系列大模型放在一起对比，帮你快速判断它到底值不值得用。🔍

📊 一图速览：TeleOCR 是什么？

在跑分之前，先花 30 秒认识一下这个模型：

它和传统 OCR 工具最大的不同是：一张弯弯曲曲的手机照片直接丢进去，它不需要先做"去畸变"矫正，就能直接输出解析结果，这是很多竞品都做不到的。项目介绍详见 README.md，模型实现位于 modeling_naviocr.py。

🏆 基准一：OmniDocBench v1.6 官方榜——1.2B 打赢 235B

OmniDocBench 是文档解析领域最权威的公开基准之一，同时考核文本、公式、表格和阅读顺序。实测结果如下（节选自 README.md 中的实验数据）：

三个关键结论：

1. 综合分 96.87 登顶，超过同为 1.2B 的 MinerU2.5-Pro（95.75）和 PaddleOCR-VL-1.6（96.33）；
2. 表格解析是最大杀器：Table TEDS 97.05 全场最高，PaddleOCR-VL 系列只有 90~95；
3. 降维打击通用大模型：参数只有 GPT-5.2 的几百分之一的 TeleOCR，综合分领先 10 分以上。文档解析这件事上，"专"确实能胜"大"。💪

📷 基准二：Wild_OmniDocBench——真实场景才见真章

官方基准里的文档都"太干净了"。Wild_OmniDocBench 专门收集真实世界里的复杂文档（复杂背景、光照不均、排版混乱），是更贴近实际使用的考试：

在"难度拉满"的题库里，TeleOCR 依然保持第一，且文本和表格两项均为全场最佳——差距虽小，但五项指标没有一项落后，说明它不是靠某一项刷分。

🔬 基准三：PureDocBench——抗退化能力碾压大模型

PureDocBench 把同一份文档分别放在干净、数字退化、真实退化三种条件下考察模型。这正是"拍照文档解析"的核心考验：

• 干净文档：TeleOCR 以 86.90 领先第二名 OvisOCR2 约 4.8 分；
• 真实退化（模糊、光照差、拍摄角度歪斜）：TeleOCR 70.85 第一，连 Gemini-3.1-Pro 这类旗舰通用模型都拿它没办法——退化的纸质扫描件恰恰是通用大模型的软肋。📉

🥇 基准四：Dr.DocBench 挑战赛（EMNLP 2026）

在 EMNLP 2026 举办的 Dr.DocBench 文档解析挑战赛中，TeleOCR 以原始权重直接参赛：

领先第二名 MinerU 2.5 Pro 约5.7 分，PaddleOCR-VL 1.6 则是 12.8 分的大胜。文本识别（Text edit 0.1903，越低越好）优势尤其明显。

🧪 基准五：ICDAR2026 Sci-ImageMiner——科学图表提取冠军

这个赛道考核的是从科学插图中提取隐含表格数据的高难任务（论文配图里的曲线、柱状图 → 结构化数据）：

TeleOCR 以加权总分41.81 夺得冠军，领先第二名接近 1 分。这意味着处理科研论文时，它不仅能解析正文里的表格，还能把"图"里藏的数据捞出来。

🧩 一个模型，解析文档的所有内容

TeleOCR 把"文档解析"拆成 5 个可单独调用的能力，用不同提示词（prompt）即可切换：

上图是一个典型的多行数学公式解析示例——TeleOCR 能将此类公式图片识别为可渲染的 LaTeX 源码，公式 CDM 分数在 OmniDocBench 上高达 96.36。

对于畸变的拍照文档，TeleOCR 还内置了**"多点版式分割分析"**能力：直接对弯曲、倾斜的页面做布局定位，无需专门的矫正模型，这也是它 Wild/PureDocBench 抗退化成绩领先的底气所在。

🧠 为什么 1.2B 能做到？6 项核心技术

跑分领先不是运气，README.md 中列出了支撑成绩的 6 项关键设计：

1. 多节点共识投票（MCV）：自动生产高质量伪标签，解决标注数据不足的老大难问题；
2. 几何感知文档建模：专为手机拍照文档设计，直接理解弯曲、透视畸变；
3. 曲率引导 Douglas-Peucker 采样（CGDP）：沿文档曲线智能采样，保留关键几何信息；
4. 图像到图像自验证：模型自己检查自己，自动清洗错误数据；
5. 渐进式四阶段训练流水线：分阶段训练，从易到难逐步提升；
6. 内容-结构解耦学习：表格和公式的"内容"与"结构"分开学习，这正是它 Table TEDS 97.05 的第一名由来。

🚀 3 分钟上手：安装与首次文档解析

部署门槛很低，两条命令即可开始。👇

第 1 步：安装依赖

pip install transformers torch pillow

第 2 步：加载模型并解析一张图片

from PIL import Image from transformers import AutoProcessor, AutoModel import torch processor = AutoProcessor.from_pretrained( "StarDoc-AI/TeleOCR", trust_remote_code=True, use_fast=True) model = AutoModel.from_pretrained( "StarDoc-AI/TeleOCR", trust_remote_code=True, torch_dtype=torch.bfloat16).cuda().eval() # 文本解析 image = Image.open("./assets/text.png").convert("RGB") print(infer(image, "Please output the text content from the image."))

完整的推理与后处理代码（含 OTSL 表格转 HTML、公式 LaTeX 规范化）可以直接参考 README.md 中的 Quick Start 部分，模型分词与推理行为定义在 tokenizer_config.json 和 generation_config.json 中。如果想在本地拉取仓库试用：

git clone https://gitcode.com/hf_mirrors/StarDoc-AI/TeleOCR

✅ 谁适合用 TeleOCR？

❓ 常见疑问快速解答

Q1：1.2B 参数真的够用吗？在 5 个基准上，TeleOCR 的综合成绩普遍领先参数 2~200 倍的通用 VLM（如 Qwen3-VL-235B、InternVL3.5-241B）。文档解析是"专精赛道"，小模型反而更优。

Q2：手机拍的弯歪照片要先矫正吗？不用。几何感知建模 + 多点版式分割让它直接解析畸变文档，DocUNet、DIR300 数据集上的可视化结果均验证了这一点。

Q3：表格和公式的输出格式？表格默认输出 OTSL 标记，官方提供一键转 HTML<table>的逻辑（含合并单元格）；公式输出 LaTeX（自动补$$定界符）。

📌 总结

• 5 大基准全部第一：OmniDocBench 96.87、Wild 88.53、PureDocBench 86.90、Dr.DocBench 67.96、ICDAR2026 冠军；
• 对比结论：表格解析胜 PaddleOCR-VL、整体稳超 MinerU 2.5 Pro、碾压 GPT-5 系列与 Gemini 旗舰；
• 落地友好：1.2B + Apache-2.0，拍照件免矫正，是目前开源文档解析领域"最强轻量解"。

如果你正在搭建文档解析管线，或对手机拍照场景的鲁棒性有要求，TeleOCR 值得成为你的第一候选。📄

【免费下载链接】TeleOCR项目地址: https://ai.gitcode.com/hf_mirrors/StarDoc-AI/TeleOCR