ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">21年左右，由于工作关系，OCR是我非常关注的一个领域。原来在工作中，曾经将发票、送货单、预缴凭证、手写凭证等扫描到系统中，方便进行系统管理。ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">当时测试了阿里、百度、腾讯的各种OCR工具，各有千秋，但是又都不能尽如人意。识别率最好的是增值税发票，因为增值税发票的格式最清楚，而且增值税发票差不多都是机打，票面很整齐。不过，其它的一些非标单据识别率就非常差。
虽然为业务人员提供了一些方便，但是并没有起到让人眼前一亮的效果。
Deepseek OCR 和 Baidu PaddleOCR-VL
最近几天又被DeepSeek刷屏了，这次是因为它发布了一款新的模型 DeepSeek OCR，在行业内又引起了极大的关注。
这款模型只有3B参数，各路试用视频效果吹爆。当然，还有它的创新性的利用上下文光学压缩(Contexts Optical Compression)技术。
而在关注DeepSeek OCR的同时，又发现在在16号百度也发而了Paddle OCR的最新版本V3.3.0，而这个版本的核心组件为PaddleOCR-VL-0.9B，这是一种紧凑而强大的视觉语言模型（VLM），它由 NaViT 风格的动态分辨率视觉编码器与ERNIE-4.5-0.3B语言模型组成。
这个模型的参数更小，只有0.9B，而由于Paddle从2020年开始就专注于OCR相关的领域，现在与大模型结合起来，直到的效果会更加炸裂！
下面是OmniDocBench v1.5的评测结果：
在它发布的时候(10月16日)，DeepSeek OCR还没有发布，所以在榜单上还没有DeepSeek OCR的身影。
在上表中，有我现在用得比较多的MinerU，我原来觉得MinerU是最好的PDF以及图片的识别工具，而PaddleOCR-VL在评测中的表现甚至比MinerU还要好！！
由于各路技术分析的文章和视频已经非常多，我就从我原来的工作中找两个场景将这三者做一个初步的对比，看看他们实情的表面怎样。
MinerU vs Deepseek-OCR vs PaddleOCR-VL简单测试
测试环境准备
由于Paddle只有0.9B，于是在自己的电脑上(Macbook Pro M3)试了一下，简单的OCR识别是可以运行的速度也还算可以，但是如果要生成结构化的markdown格式的文件的化，就会报segmentation fault。看起来，虽然参数小，但是要顺畅使用，对资源的要求还是比较高的。
为了让测试顺利进行，三个软件的运行环境如下：
1.MinerU：本地安装的MinerU APP，平时做较大文件的识别没有太大问题。但是如果自己部署的话，恐怕也需要必要的资源。(现在MinerU的官网有免费的额度，大家需要的话可以到官网去看看) 2.PaddleOCR: 使用HuggingFace上的Demo(https://huggingface.co/spaces/PaddlePaddle/PP-OCRv5_Online_Demo) 3.DeepSeekOCR: 使用HuggingFace上的Demo(https://huggingface.co/spaces/khang119966/DeepSeek-OCR-DEMO)
使用Hugging Face上的Demo，好处是免费，而且是运行在GPU环境上，但是也正因如此，有时会需要排队处理。
建筑预缴凭证
建筑预缴凭证是在建筑行业广泛使用到的一种税务凭证，一般在当地税局打印或复印，然后业务人员扫描或拍照提交给总部，总部进行处理。
这些凭证有时的效果会非常差，我们原来在系统中添加这块时，识别的成功率达不到要求，如下面这张凭证：
这张凭证有如下的一些问题：
1. 整个图片是斜的 2. 上面的字并不十分清晰 3. 在中间 税款所属时期的栏目，下面的内容是分行的。原来因为这个原因导致过很多识别失败。
MinerU的识别效果
所有主要信息识别都是非常准确的。
但是也有一些问题：
1. 编号没有识别出来。 2. 下面的一些信息没有识别出来。(不过这个可能与MinerU对头尾的处理相关)
MinerU的优点是，可以导出多种格式：