端到端 OCR / 文档解析模型横评
聚焦 2021–2026 的端到端 / OCR-free 路线，对比参数、核心创新、评测。
主力对比（新一代端到端小模型）
| 模型 | 年份 | 机构 | 参数 | 核心创新 | 关键评测 |
|---|
| GOT-OCR2.0 | 2024 | 学界 | 580M（80M enc + 0.5B dec） | 统一端到端 OCR-2.0，高压缩 encoder，可交互 region OCR | 密集 OCR 强，通吃公式/表格/乐谱 |
| deepseek-ocr | 2024 | DeepSeek | — | Contexts Optical Compression（文本→vision token） | 10× 压缩 97% 精度，20× ~60% |
| ovis-ocr2 | 2026 | 阿里 | 0.8B | 端到端 + RL + on-policy 蒸馏 + 模型融合 | OmniDocBench v1.6 96.58 SOTA |
| glm-ocr | 2026 | 智谱 | 0.9B（CogViT 0.4B + GLM 0.5B） | Multi-Token Prediction 加速确定性解码 | OmniDocBench v1.5 94.6 第一 |
| monkeyocr-v2 | 2026 | — | （视觉底座） | 图→文生成 + 像素级重建，文档原生 encoder；开源 MonkeyDoc v2（1.13亿图/17语言） | 即插即用提升下游（CRNN 58.7%→67.3%） |
前代 / 铺路模型
| 模型 | 年份 | 路线 | 特点 |
|---|
| trocr | 2021 | 端到端识别 | ViT 编码 + 文本解码，抛弃 CNN+RNN+CTC |
| donut | 2021 | OCR-free | 图像 → 结构化 JSON，OCR-free 先驱 |
| nougat | 2023 | OCR-free | 学术 PDF → LaTeX Markdown，Swin + mBART |
关键观察
- 参数越做越小：从数十亿 LVLM → 0.5–0.9B 专用模型登顶主流榜
- 两种”小而强”路径：
- 效率创新分化：光学压缩（deepseek-ocr）/ MTP 解码（glm-ocr）/ RL+蒸馏（ovis-ocr2）
- 评测榜：OmniDocBench 已到 94–96 高位 → 榜单趋于饱和，
GDP.pdf 这类 grounded 推理榜（最好仅 30.7%）暴露真正差距
选型建议（粗略）
关联