|
昨天，DeepSeek OCR 那篇论文确实很火，打开 X，刷屏了。 朋友们告诉我，OCR 是 DeepSeek 团队近半年最重要的研究方向之一，他们在这上面花了很多心血。 DeepSeek-OCR 也许可以解决 LLM 处理长上下文时的计算瓶颈。 好像这两天大家都在集中讨论 DeepSeek 提出来的上下文光学压缩的新思路，很少有人测评 DeepSeek-OCR 的真实表现。 我们公司有一款扫描类的产品：聚创全能扫描王，已经做了五年时间。 过去这些年，我们一直在用百度开源的 PaddleOCR。 记得 2021 年，我们做过不少技术预研，测试了几个不同的 OCR 方案，包括云端的，还有开源的，最后觉得 PaddleOCR 是性价比最好的选择。 PaddleOCR 这些年在开源社区中影响力还是相当大，GitHub 中 Star 数超过了 60k。 2022 年参加百度的 OCR 分享，会议室里人挤人。早些年，OCR 还没被大厂重视的时候，百度确实还是做了很多事情。 对于我们这样扫描类产品而言，OCR 是核心的竞争力。 既然 DeepSeek OCR 发布了，而且还是小模型，部署成本极高。于是我们就准备做一个全面的测试，看一看它和我们之前的方案相比，哪个效果更好。 就在准备测试文档的档口，我们 CTO 发现，上周，百度也发布了 PaddleOCR 的新版本：PaddleOCR-VL。 这是一个多模态的文档解析模型，参数只有 0.9B，也就是说，它在我们的笔记本上都能顺畅地跑起来。 下面是对应的技术报告： https://arxiv.org/pdf/2510.14528 百度这款新模型，在当时最新的权威测评榜单OmniDocBenchV1.5 中，横扫了文本识别、公式识别、表格理解、阅读顺序四项核心能力的 SOTA。 而且前几天，连续登顶 Hugging Face Trending 榜全球第一。 惭愧惭愧，我们团队孤陋寡闻了。我就说嘛，怎么昨天刷 X 时，好多老外都在评论区问它和 PadddleOCR 谁更强。 接下来，给大家看看我们团队基于 PadddleOCR-VL 和 DeepSeek-OCR 两个模型的测试结果。 根据我们的经验，测 OCR 的能力主要是需要涵盖印刷体和手写体中比较复杂的场景，比如说，多语言混合、拼音声调、数学公式、连笔字。 这些年，我们其实积累了一些 Case，所以，测试起来倒是很快。 PadddleOCR-VL 可以直接在 Hugging Face 上体验： https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo 不过目前，DeepSeek-OCR 还没有云端的 Demo 链接，我查了下，几个云平台也都没有提供一键部署的入口。 想体验的话，需要自己部署，GitHub 上有对应的操作步骤，非常简单。 我们开始。 我们先看看竖版的碑文。它有两个难点： 第一，传统的 OCR 系统通常是设计用来识别横排文字的，因此在处理竖排时，模型需要能理解文字的排列方式、字与字之间的上下关系，以及段落和行的组织结构。 第二，繁体字的结构复杂，OCR 在处理时需要更高的精准度和对字形的更深理解。特别是一些相似字形或形态较复杂的字，OCR 模型容易出现识别错误，而且不同书法风格下的写法差异也较大。 下面是我找到的碑文拓片（图片可上下滚动）。  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>是 PadddleOCR-VL 的识别结果： 这是 DeepSeek-OCR 的识别结果： 整体来看，百度和 DeepSeek 都没能 100% 完成内容的识别。 不过，百度的相对准确率更高一些。DeepSeek 居然把最后一列的夫字识别错了，低级错误。 我同事计算了下：百度错误率：8.16%，DeepSeek 错误率：18.37%。 咱们继续，看看手写的数学公式。下面是原图。为了方便大家复现，我都会把测试的图片给大家 Share 出来。 这些都是我们团队每次测评 OCR API 或者开源软件时，必定会用的 Case（图片可上下滚动）。  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>下面是 PaddleOCR-VL 的识别结果： 下面是 DeepSeek-OCR 识别结果： DeepSeek 输出的是 LaTeX 的版本。综合对比了下，二者识别准确度一致。都对。 我们继续再看一个竖排文本（图片可上下滚动），这次的字迹有些模糊。  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>百度 PaddleOCR-VL 的结果： DeepSeek-OCR 的结果： 二者的准确率都是 100%。看来在这种简单的 Case 上，大家都已经很能打了。 咱们继续往后走，加大难度，看看连笔字。这张图是我们从小红书找的现图（图片可上下滚动）。  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>这是 PaddleOCR-VL 的结果： 这是 DeepSeek-OCR 的结果： 在连笔字上，看来 DeepSeek 表现很差。我们连续测试了五次，结果 DeepSeek-OCR 都只能识别出来四个字。 另外，提一嘴，我发现 OCR 类模型，幻觉率很低。第一次出来的结果，和后面再重复测试，完全一样。 继续看看复杂图表： 下面是百度 PaadleOCR-VL 的结果： 下面是 DeepSeek-OCR 的结果： 很显然，百度的效果更好。DeepSeek-OCR 感觉没办法理解柱状图的意思。 降低难度，我们再测一个表格的例子。这类需求在我们产品中也非常多，我们需要 OCR 能够转为表格样式。 下面是 PaddleOCR-VL 的输出： 下面是 DeepSeek-OCR 的输出： DeepSeek-OCR 和 PaddleOCR-VL 都能准确识别表格中的文字，这事难度不大。 但组合为结构化的表格，DeepSeek-OCR 出了一些差错，右边几列明显错位。我感觉在图表方面，DeepSeek-OCR 还有很大的优化空间。 我们再看一个化学方程式的识别。 百度 PaddleOCR-VL 的结果： DeepSeek-OCR 的结果： 文字的识别二者都没问题。但 DeepSeek 没办法同时识别等号和反应条件.....PaddleOCR-VL 可以。 我们继续看看多语言混合场景的识别（图片可上下滚动）。  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>下面是百度 PaddleOCR-VL 的识别： 下面是 DeepSeek-OCR 的识别： 全对。看来多语言上，他们都很能打。 咱们再看看小学生拼音识别的语文题，这也是我们产品用户经常会用到的场景。 下面这张图的难点是需要识别出来声调，以及孩子写的有点蹩脚的汉字（图片可上下滚动）。  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>PaddleOCR-VL 的结果： DeepSeek-OCR 的结果： 我们继续试试拼音放到右侧的情况（图片可上下滚动）。  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>下面是百度 PaddleOCR-VL 的识别结果： 下面是 DeepSeek-OCR 的识别结果（图片可上下滚动）：  ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;"/>这一次，二者的准确率就比较接近了。不过，如果要给它们打分的话，我们认为 DeepSeek-OCR 的表现稍好一些。 测完了。说下我的结论： 第一，毫无疑问，PaddleOCR-VL、DeepSeek-OCR，都是非常优秀的 OCR 模型。全球 Top3 的水准。 他们的识别准确率，高于市面上我们知道的其他所有产品。而且多语言支持都很不错。 第二，DeepSeek-OCR 的缺点是对于手写体，特别是连笔字的准确率很低。 而 PaddleOCR-VL 的缺点是在部分场景中，它会忽略拼音。要是二者能结合下就完美了 第三，从我的几个测试场景来看，整体表现 PaddleOCR-VL 优于 DeepSeek-OCR | 
