手写体、超大工程图与科学图表：TeleOCR 的适用边界实测报告-育师

手写体、超大工程图与科学图表：TeleOCR 的适用边界实测报告

【免费下载链接】TeleOCR项目地址: https://ai.gitcode.com/XingChen-AGI/TeleOCR

TeleOCR 的社区热度几乎全部由榜单数字点燃：1.2B 参数、OmniDocBench v1.6 综合 96.87 分登顶、Wild_OmniDocBench 与 ICDAR2026 Sci-ImageMiner 双双第一……"轻量级 SOTA"的叙事确实成立。但热度之下有一个被多数宣传稿刻意略过的问题：这些高分究竟测的是什么样本？翻看 README.md 的基准明细和本地仓库的推理示例后，答案很清楚——TeleOCR 的高分主要建立在印刷体数字文档与手机实拍（形变但字迹清晰）文档之上。而社区实测中反复出现的手写体、超大工程图、科学图表这三类样本，恰恰是分数表上看不见的"盲区"。本文不重复榜单复读，而是基于基准数据、仓库源码与配置文件中可验证的事实，画出一张 TeleOCR 的真实能力地图。

一、从三张分数表读出样本结构

把 README.md 中的三张基准表放在一起，TeleOCR 的能力梯度立刻显现：

OmniDocBench v1.6（数字文档为主）：综合 96.87，文本编辑距离 0.027，表格 TEDS 97.05，公式 CDM 96.36；
Wild_OmniDocBench（手机实拍、形变文档）：综合 88.53，文本编辑距离劣化至 0.1173，表格 TEDS 跌到 89.05；
PureDocBench（真实退化场景）：干净文档 86.90，数字退化 77.47，真实退化（Real Degraded）仅 70.85，其中文本编辑距离高达 0.302。

三组数字勾画出同一趋势：样本越接近"印刷干净"，TeleOCR 越接近满分；样本越接近真实世界（拍照、抖动、光照不均），误差成倍放大。真实退化场景下表格得分跌到 77.66，对比干净场景的 91.09，跌掉近 14 分。这意味着所谓"一个模型搞定所有文档"，其成立前提是"文档本身可读性尚可"。

二、真实样本表现：合同、小票与论文的差异

用仓库自带的样本逐一过一遍，能直观感受三类业务文档的差距。

合同/论文（印刷体、版式规整）是绝对强项。文本识别、表格结构、公式 LaTeX 化在 OmniDocBench 上以 96.36~98.52 的成绩封顶；双栏排版、跨页表格、公式混排的论文版面，正是其训练分布的核心。仓库 Quick Start 中给出了四个典型任务的推理路径（见 README.md）：

# text image=Image.open("./assets/text.png").convert("RGB") raw_text = infer(image, "Please output the text content from the image.") # table 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.") # formula 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.")

小票/单据类则要打一个折扣。热敏纸低对比度、字号偏小、行距紧密，这类样本的识别质量高度依赖输入分辨率。preprocessor_config.json 中min_pixels=3136、max_pixels=12845056（约 1280 万像素，折合约 3584×3584）划定了动态分辨率区间：小票若原图分辨率不足或压缩过狠，字符会直接糊进 patch 里，patch_size=14的切块粒度救不回来。社区实测同样印证——对低分辨率小票需主动放大截图、保持原始比例再做推理，否则文本漏识别率明显上升。

扭曲拍摄的合同页（手机实拍）是差异化卖点，但也只对"字迹清楚"的形变有效。几何感知建模（README 中强调的 Geometry-aware document modeling、CGDP 曲率引导采样）解决的是"纸面弯折、透视畸变"，而非"字迹模糊"。仓库在 README.md 的 Quick Start 中专门演示了对扭曲版面的直接解析：

layout_image = Image.open("./assets/layout_distorted.jpg").convert("RGB") layout_image = layout_image.resize((1036, 1036), Image.Resampling.BICUBIC) raw_layout = infer(layout_image, "\nMulti-point Layout Segmentation Analysis.")

这类"免矫正直解析"能力在 Wild_OmniDocBench 上把同类 0.9B~1.2B 模型甩开 1~2 分，是真实增量。但请注意：README 的演示同样把输入resize到了 1036×1036——分辨率预处理环节的取舍，直接决定扭曲文档解析的下限。

三、手写体的适用边界：文档解析 ≠ 手写识别

这是社区实测文章点名最多的"边界"之一，仓库数据也给出了硬证据。TeleOCR 参加了 EMNLP 2026 的 Dr.DocBench Challenge（README 中披露了原生权重成绩）：overall 67.96，文本编辑距离 0.1903。对比 OmniDocBench 上的 0.027，手写混合场景的文本误差放大了约 7 倍，整体得分也从 96.87 级跌到 67.96 级——这是同一套权重在不同样本分布下的真实落差。

原因在技术栈里写得很清楚：

训练分布以印刷体为中心。README 的技术亮点（形变感知学习、内容-结构解耦、多节点共识投票）全部围绕"纸张几何形变"与"版面结构"设计，没有任何一项针对"字迹笔锋、连笔、个人化书写变体"建模；
架构上无手写专项。config.json 显示模型为 Qwen2.5-VL 结构：28 层 decoder（hidden_size=1024）+ 32 层 ViT 视觉编码器（hidden_size=1280、patch_size=14），这套视觉前端擅长抓"版面块"和"印刷字形"，对手写字的笔画级细节并不敏感；
解码策略追求确定性而非容错。generation_config.json 中top_k=1、top_p=0.001、temperature=0.1，Quick Start 的infer()直接do_sample=False贪心解码——这种设置适合结构严谨的印刷文档，但对模糊字迹毫无"联想纠错"余地。

结论很明确：印刷文档上的少量手写批注、签字，TeleOCR 可以容忍；但以手写为主体的票据、问卷、病历、课堂笔记批量识别，别指望它。这类业务应当走专用手写识别管线（如笔迹级检测 + 序列识别模型），TeleOCR 充其量充当"版面理解 + 手写区定位"的前置环节。

四、超大工程图的适用边界：像素上限与 token 预算的双重锁

社区实测把"超大工程图"列为明确的失败区，这个判断在仓库配置层面完全成立，理由有三：

分辨率硬上限。preprocessor_config.json的max_pixels=12845056意味着超过约 1280 万像素的输入会被强制缩放。A0/A1 工程图纸动辄数千万像素，直接喂入必然被压缩到细节尽失：细线、尺寸标注、剖切线、符号在降采样后粘连成噪点。
token 预算锁死。README 的infer()固定max_new_tokens=4096，模型本身max_position_embeddings=128000（config.json）——一张布满尺寸链与标注的图纸，识别结果轻易突破 4096 token 上限，输出会被截断。
分布不在训练域。TeleOCR 的训练数据是文档（论文、合同、报表），工程图的矢量线型、图框、明细表、符号库是另一套视觉语言，视觉编码器从未见过类似结构，输出质量不可控。

社区给出的实用解法是切块（tiling）策略：把超大图按 1024~2048 边长切成若干 tile，逐块推理后再按 bbox 拼合。仓库中layout类任务的输出本就包含bbox与阅读顺序（README 的ContentBlock数据结构定义了bbox、angle字段），拼合时有坐标可依。但切块引入的边界截断、跨块上下文丢失，依然是工程上绕不开的成本——如果你的业务核心是工程图纸数字化，TeleOCR 不是第一选择，检测 + 矢量化的传统 CAD OCR 管线更成熟。

五、科学图表：能"挖数据"，但精度别要求太高

TeleOCR 对科学图表的处理有其独特价值：仓库专门提供了"从图中提取隐含表格"的官方示例——scientific_figure.png用 OTSL 中间格式把图表中的结构化数据还原为 HTML 表格：

image=Image.open("./assets/scientific_figure.png").convert("RGB") raw_scientific_figure = infer(image, "This is a scientific figure. Please extract the table implied by this figure.") print(convert_otsl_to_html(raw_scientific_figure))

这条能力链值得肯定：ICDAR2026 Sci-ImageMiner 上 TeleOCR 以加权分 41.81 排第一（README.md），是榜单上唯一进入前五的专用 VL OCR 模型，且 RMS 17.23 的误差控制也优于多数对手。

但注意榜单数据的另一面：即便拿了第一，Weighted 也只有 41.81，RMS 达到 17.23——这意味着坐标轴刻度、曲线取值、散点数据的数值还原误差依然显著。TeleOCR 擅长的是把图表"读懂并转成结构化文本"，而非把图表中的每个数据点精确读出来。需要精确数值回填的科研数据挖掘，请用图到数据（chart-to-data）专用工具；TeleOCR 适合的是"快速理解图表讲了什么"这一层。