AWESOME-OCR-LLM完整指南：一文读懂大模型时代OCR的900+篇论文全景

如果你正在关注**大模型时代OCR（OCR in the LLM Era）**的研究进展，这份AWESOME-OCR-LLM论文清单值得收藏。它是一份持续更新的开源 Awesome 列表，收录了近5年（2021年至今）900余篇文档解析、文档理解、视觉文本生成、专用OCR模型与评测基准的最新论文，并每日追踪新发表的 Daily Papers，是入门和研究者快速建立 OCR + LLM 全景认知的最佳导航。

一、AWESOME-OCR-LLM 是什么？

简单说：它是一个「大模型时代的 OCR 论文地图」。

• 📚定位清晰：只收录把大视觉语言模型（VLM / MLLM）用在"文字密集图像与文档"上的工作（解析、理解、生成、评测），而不是泛泛的文档AI或传统 OCR 1.0 列表
• 🔄持续更新：README.md 顶部的 Daily Papers 板块每天收录最新论文，如 2026-10-26 当天的RxnExBench化学文献反应抽取基准
• ⚖️严谨视角：项目专门提示——多数系统以技术报告形式发布、自报指标且测试集不一，跨论文的分数通常不可直接比较

二、900+篇论文的五大分类全景

整个列表分为五大板块，每块都有独立完整清单（README 中展示最新约30条，完整列表在full-lists/目录）：

1️⃣ Document Parsing：从模块流水线到端到端 VLM

传统解析是"检测→识别→版面"的流水线；LLM 时代正被端到端 VLM 架构取代。清单里的明星工作包括阿里的Logics-Parsing-V3、百度的PaddleOCR-VL-1.6与Unlimited-OCR、上海AI Lab 的MinerU2.5-Pro、腾讯的WeVisDoc等，覆盖从长文档结构感知解析到投机解码加速的最新方向。

2️⃣ Document Understanding：从"读得出来"到"想得明白"

这是论文最多的板块。研究重点已从识别转向语义理解与推理：

• 长文档 VQA：SEER（视觉-文本选择性压缩）、DocPilot（交互式智能体编排）
• 多模态 RAG：HAM-RAG、Doc-REFRAG、TopoGraphRAG-Bench
• 智能体化：DocClaw统一智能体文档处理系统、DocArena文档搜索智能体训练环境

3️⃣ Visual Text Generation：OCR 的"创造性逆过程"

如果说 OCR 是"图→文"，视觉文本生成就是"文→图"。清单收录了海报生成（PosterOmni、PosterVerse）、场景文字编辑（TextFlow、TextWand）、中文字形渲染（GlyphPrinter、GlyphBanana）以及Qwen-Image-2.0、GPT-Image-1.5等通用生成模型的视觉文本能力。

4️⃣ Specialized Model：11个垂直子方向

专用 OCR 模型板块细分出 11 个方向，是垂直领域研究者的宝藏：

文档去扭曲 · 物理结构分析 · 阅读顺序预测 · 数学公式识别 · 表格与图表理解 · 场景文字 · 文字擦除与编辑 · 文字图像超分 · 手写文档分析 · 视频文字分析 · 历史文档分析 · 篡改检测与取证

例如甲骨文字符破译（AlphaOracle）、古代文物文字识别（Ancient-Bench覆盖3000年、7种古文字）、AI生成文字图像检测（TextFake）等前沿应用。

5️⃣ Benchmarks and Evaluation：基准的"可执行化"趋势

项目认为构建统一、抗污染、可复现的基准是排行榜可信的前提。近期基准如DocHop（最佳 MLLM 仅 62.8% 准确率，人类超 90%）、WildHandBench（最佳模型落后于人类标注者）、LongHisDoc（中文古籍整书问答）都在揭示模型与人类之间的真实差距。

三、LLM 时代 OCR 的10大趋势

项目 README.md 中的 Emerging Trends（2023–2026）是快速把握风向的精华，建议新手优先阅读：

1. 端到端 VLM 解析取代模块化 OCR 流水线
2. 强化学习用于版面与阅读顺序建模
3. OCR-free 文档理解模型
4. 规模下沉：1B 参数以下的紧凑文档 VLM
5. 长文档 OCR 是"token + 一致性"的缩放问题
6. 结构（版面+逻辑）成为新的准确率
7. 生成式 OCR 的核心风险从"误识别"变为"幻觉"
8. 基准走向可执行化评测
9. 文档智能体与 PDF 上的自主推理
10. 文档智能体需要"可恢复性"，而非一次性完美

四、新手快速上手指南

第一步：5分钟概览📖 打开 README.md，阅读 Overview（范围界定）、News（最新动态）和 Emerging Trends（趋势速览）三个板块。

第二步：跟踪前沿🔭 关注 README 顶部的 Daily Papers 板块，它按五大板块每日收录最新论文（含发表机构、时间），无需再翻遍 arXiv。

第三步：按兴趣深挖🎯 按需进入full-lists/下的完整清单，每个板块均有"Venue / 名称 / 机构 / 标题 / 代码链接 / 时间"六列结构化表格，方便筛选：

• 做文档解析 → Document-Parsing.md
• 做文档问答/RAG → Document-Understanding.md
• 做海报/文字生成 → Visual-Text-Generation.md
• 做垂直OCR任务 → Specialized-Model.md
• 做评测基准 → Benchmarks-and-Evaluation.md

第四步：克隆到本地💻 如果想离线浏览或订阅更新，可执行：

git clone https://gitcode.com/gh_mirrors/aw/AWESOME-OCR-LLM

五、总结

AWESOME-OCR-LLM 用一份持续更新的 900+ 篇论文全景列表回答了三个问题：

• 大模型时代 OCR 研究在做什么（五大板块）
• 往哪走（十大趋势）
• 如何衡量（基准与评测的严谨态度）

无论你是想选型文档解析方案、寻找长文档理解论文，还是想追踪视觉文本生成的最新工作，这份列表都能帮你少走弯路——收藏它，每天花两分钟看 Daily Papers，即可保持对大模型时代 OCR 前沿的持续感知。