6大OCR模型汇总，谷歌/IBM/腾讯/小红书/清华/上交/中科院等重磅开源，识别精度与效率跃升

作者：椰椰

编辑：李宝珠

转载请联系本公众号获得授权，并标明来源

HyperAI超神经的「教程」板块已上线多个 OCR 开源模型教程，多语种文字解析、结构转化、场景文本识别等多种功能均可在线体验，快来试试吧~

在人工智能的诸多应用中，OCR（Optical Character Recognition，光学字符识别）无疑是最为成熟且贴近实际场景的技术之一。顾名思义，OCR 的核心目标是将图片、扫描文档、街景、票据甚至手写文本中的字符，自动转化为可编辑、可检索的数字文本。早期的 OCR 多依赖规则与模板，功能单一，往往只能识别印刷体字符；随着深度学习特别是卷积神经网络（CNN）与序列建模方法的引入，OCR 的识别精度和适用范围已经实现了质的飞跃。

如今，OCR 已经广泛应用于金融票据自动化处理、身份证件审核、车牌识别、电子书数字化、智能翻译、医疗文档录入等各类场景。研究与工业界也孕育出一系列具有代表性的模型与框架，例如 CRNN（Convolutional Recurrent Neural Network）奠定了端到端文本识别的经典范式，TPS-ResNet-BiLSTM-Attention 等结构推动了复杂场景文字识别的发展。从谷歌发布的革命性技术模型 InkSight，到近期业界最新推出的轻量级模型 POINTS-Reader、Granite-docling 等，OCR 技术更是在轻量化、跨语言、多模态识别任务上展现出强大潜力。

目前，HyperAI超神经官网「教程」板块已上线多个 OCR 开源模型教程，如果你想体验 OCR 技术高效提取图文信息、场景识别、多语种多格式匹配的强大功能，欢迎前往 hyper.ai 教程板块探索一键启动教程！

* 在线运行：https://go.hyper.ai/amhh4

该模型由腾讯、上海交通大学与清华大学联合推出，是一款专为文档图像转文本设计的轻量级视觉-语言模型（VLM）。其仅通过一套两阶段自进化框架，就能在保持结构极简的同时，实现对中英文复杂文档（含表格、公式、多栏排版）的高精度端到端识。

* 在线运行：https://go.hyper.ai/BBXlC

* 分步教程：重新定义下一代 OCR：IBM 最新开源 Granite-docling-258M，实现端到端的「结构+内容」统一理解

该模型由 IBM 于 2025 年 9 月推出的轻量级视觉语言模型，专为高效文档转换设计。模型仅含 258M 参数，性能卓越，成本效益高，支持多语言（包括阿拉伯语、中文和日语），能将文档转换为机器可读格式，同时完整保留布局、表格、公式等元素，其使用的 DocTags 格式能够精准描述文档结构，避免信息丢失。

* 在线运行：https://go.hyper.ai/o0Bm0

* 分步教程：在线教程 | 突破结构化文档依赖，dots.ocr基于1.7B参数实现百种语言OCR处理，性能达SOTA

该模型是小红书 hi lab 于 2025 年 8 月发布的多语言文档布局解析模型，基于 17 亿参数 VLM，能统一完成布局检测与内容识别，保持良好阅读顺序。尽管规模较小，但性能达 SOTA，在 OmniDocBench 等基准测试中表现优异，公式识别媲美 Doubao-1.5 与 gemini2.5-pro，并在小语种解析方面具有突出优势。模型架构简洁高效，任务切换只需更改提示词，推理速度快，适用于多种文档解析场景。

* 在线运行：https://go.hyper.ai/2SDMC

* 分步教程：狂揽2.6k stars，MonkeyOCR-3B在英文文档解析任务上超越72B模型，性能达SOTA

该模型是由华中科技大学与金山办公联合开源的文档解析模型，可将非结构化内容高效转为结构化信息。依托精准的布局分析、内容识别与逻辑排序，显著提升解析准确性和效率；在复杂文档中平均性能提升 5.1%，公式与表格解析分别提升 15.0% 和 8.6%。其多页处理速度达每秒 0.84 页，远超同类工具，支持多种文档类型与语言，适用于论文、教材、报纸等场景，为文档数字化和自动化提供有力支持。

* 在线运行：https://go.hyper.ai/NGNZi

该模型是由 StepFun、旷视科技、中国科学院大学和清华大学联合推出的基于通用 OCR 理论的统一端到端模型，采用一体化架构，显著提升 OCR 的准确性与效率。模型兼具灵活性与适应性，既支持场景文本识别，也能高效处理多页文档，适用于多种复杂应用场景。

* 在线运行：https://go.hyper.ai/LofxZ

* 分步教程：超越传统OCR！一键部署谷歌最新成果InkSight：精准识别手写文字，中英文均无压力

该模型由 Google Research 于 2024 年推出的一款革命性的人工智能技术，它通过模仿人类阅读和学习的过程，不断地重写和学习手写文本，从而积累对文字外观和含义的理解，人类能够阅读 InkSight 生成的文本描摹的准确率高达 87%。InkSight 在处理复杂背景、模糊不清或低光照条件下的手写文字时，展现出了更高的识别准确率。