一、OCR 重回 C 位：大模型的“关键感知器”
这两天技术圈又炸了——DeepSeek 又双叒发布新模型，这次还带了个看似“熟悉”的技术关键词：DeepSeek-“OCR”。
如果最近有在关注视觉理解方向的朋友，会发现一个有趣的现象：整个 OCR 赛道突然热了起来。
近一个月内，DeepSeek、百度、上海 AI Lab 等团队几乎在同一时间抛出自家的新一代 OCR 模型，10 月 21 日，HuggingFace 全球模型趋势榜前三名全部被 OCR 模型包揽，一时间，“OCR” 成了新的技术高地。
其中，尤其引人注目的是，百度飞桨团队开源的 PaddleOCR-VL 模型持续登顶 Trending 榜首（连续5天登顶HF trending第一；同时登陆Modelscope trending全球第一；HuggingPaper Trending 全球第一；GitHub Python 总榜第3、全球总榜第9），成为当前全球开发者最关注的 OCR 系统之一。
PaddleOCR-VL 和 DeepSeek-OCR，虽然都是围绕着 OCR，细致了解之后，才发现他们原来大一不一样，本篇一起来看看两者侧重，以及讨论为什么大模型背景下 OCR 有着如此重要的地位？
二、PaddleOCR-VL 意在“精准识别”，DeepSeek 意在“文本压缩”，
简单概括来说，DeepSeek 的目标，是压缩。 它想解决的，是大模型在处理长文本时的“语义冗余”问题——上下文太长、token 太多、推理链太杂，最终导致显存爆炸、成本激增。DeepSeek 希望通过“视觉模态压缩”让模型在保持语义连贯的同时，大幅减少输入 token，让它“少看但懂多”。
根据介绍，此次开源的 DeepSeek-OCR 由两个部分组成：核心编码器 DeepEncoder 和解码器 DeepSeek3B-MoE-A570M。DeepEncoder 专为在高分辨率输入下保持低计算激活而设计，同时实现高压缩比，以控制视觉 token 数量在可管理的范围内。
而 PaddleOCR-VL 的目标，则是识别。 它是一种 OCR SOTA方案，作为文心4.5的最强衍生模型，基于ERNIE-4.5-0.3B语言模型训练，参数仅0.9B，却爆发出惊人能量，它在OCR性能和实用产业价值上全球第一。PaddleOCR-VL 追求的是尽可能完整地还原图像视觉世界的信息结构。无论是票据、合同、表格、说明书，还是手写体、扫描件、低光照图片，PaddleOCR-VL 都希望在毫厘之间还原每个文字、表格、段落与版式关系。
PaddleOCR-VL 面对真实世界的各种光照、排版、模糊与噪点，让大模型真正“看清楚”。
现在几乎所有热门应用都离不开 OCR。不管是做 RAG 知识检索、Agent 自动办公，还是像“数字员工”那样去读合同、核对表格，甚至给大模型训练提供高质量语料，都得靠 OCR 打开入口。对于所有大模型来说，如果入口是模糊的、错误的，也只能输出垃圾结论。
我认为，精准且快速的识别是第一步、通过识别压缩降低成本是第二步，虽然我们要节约成本，但结果不能被“压”成幻觉，不然多少有点舍本逐末了。
三、PaddleOCR-VL 轻量又强大：开发者友好的全场景能力
我记得，大模型火热之前，百度的OCR技术就很超前，大家会用“百度识图”来识别“植物”等等，如今，百度的 OCR 技术早已不止是一个简单的“识别模型”，而是一整套覆盖多模态感知与语义解析的系统。
第一代 PaddleOCR 已经成熟，很轻量，能在移动端、云端之间灵活部署，支持印刷体、手写体、多语种、票据、证件、表格等多种场景。并且它设计的相关生态也很完备，从最底层的 PP-OCR 文本检测与识别，到 PP-Structure 的版面结构分析，再到面向文档解析的完整链路，几乎覆盖了 OCR 的全生命周期。
现在，PaddleOCR 的进化版本 —— PaddleOCR-VL，不再满足于识别字符，而是试图理解图像中的语义关系与空间结构。基于百度的 ERNIE-4.5-0.3B 模型训练，总参数量仅 0.9B，却具备解析复杂文档布局、表格结构、数学公式甚至阅读顺序的能力。
在权威评测基准 OmniBenchDoc V1.5 中，PaddleOCR-VL 以 92.56 分 的综合成绩刷新全球纪录：
- 📊 综合性能第一：超越 DeepSeek-OCR-Gundam-M（3B）约 6 分；📑 表格理解领先：在表格结构理解（TEDS）与语义理解（TEDS-S）上分别领先 15.5 分 与 9.9 分；🧩 阅读顺序更准：编辑误差降低 54% ，符合人类逻辑；⚡ 极致轻量化：仅 0.9B 参数，在文本、公式、表格、结构理解四大核心任务上实现全线 SOTA。
四、实测：PaddleOCR-VL 看“事实”
光看参数和榜单不如上手测试来得直接。我们用几个真实场景，让你直观感受 PaddleOCR-VL 与 DeepSeek-OCR 的差异。
- PaddleOCR-VL：aistudio.baidu.com/application…DeepSeek-OCR：huggingface.co/spaces/axii…
1、表格识别
DeepSeek-OCR：
PaddleOCR-VL：
对于复杂表格的识别来说，Deepseek-OCR能识别出文字，但莫名其妙多了一列空列，而PaddleOCR-VL 能100%准确识别，太强了！
2、手写识别：谁更忠于原文
DeepSeek：
PaddleOCR-VL：
在手写文本识别中，PaddleOCR-VL 能精准地区分文字与方格背景，不仅识别出完整的文字内容，连标点符号也能准确还原。DeepSeek-OCR 则出现了识别偏差，将中文误判为日语。
3、现实照片识别
Deepseek-OCR：
PaddleOCR-VL：
PaddleOCR-VL 能看清红底上的字，而 DeepSeek-OCR 没识别出来文字。
五、结语：OCR 让 AI 真正“看世界”
当我们把 DeepSeek-OCR 与 PaddleOCR-VL 放在一起比较时，其实看到的是两个完全不同方向的探索。
DeepSeek 在做“压缩”，更像是在追求底层算法的极致效率；而 PaddleOCR-VL 在做“识别”，聚焦的是真实场景的可用性，更适合开发者， 让模型“看得更准”，为开发者提供一套真正能落地的OCR视觉理解方案。这两个方向对应当下 AI 发展的两个维度——“内在智能”与“外在感知”。DeepSeek 代表了语言空间的优化与压缩革命，追求更轻、更快、更省；而百度 PaddleOCR-VL 则代表了视觉理解的实用落地，从表格、合同、票据到漫画、照片。
不论怎样，我们看到了、意识到了 OCR 的重要性，未来的大模型格局，不再被局限于文字、语言的边界，它一定是多模态的，智能体不是参数的堆叠，也不是算力的规模，而是真的“看到、看准、看懂”！
六、体验地址
- 🔗 在线体验：aistudio.baidu.com/application…🔗 GitHub：github.com/PaddlePaddl…🔗 Hugging Face：huggingface.co/PaddlePaddl…
