Overview — 全局概要

聚焦 OCR / 文档智能 / AI，持续增量维护。

当前状态

已摄入 82 篇 source，覆盖从深度学习起点到最新端到端 OCR 的完整技术谱系，包括 DETR 检测、场景文字、文档版面分析、识别/解析模型、训练数据与解码加速。

解码加速专线（后端 AR 关键）：随文档解析吞吐需求上升，出现一批压解码成本的工作——deepseek-ocr（压视觉 context）/unlimited-ocr（R-SWA 压 KV）走「减 per-step 计算」；glm-ocr（MTP）/youtu-parsing（query+token 并行）/hpd-parsing（层次并行解码：layout 主分支 fork 多 content 分支并发 + P-MTP，OmniDocBench v1.6 SOTA 94.91/4752 TPS）走「减串行步数」；另有免训练的 hsd（pipeline draft 两阶段投机验证，HunyuanOCR 近无损 2.78×/长文档 7.04×）与 HPD 形成 tradeoff。HPD-Parsing 对检测—识别组合系统具有较高参考价值：前端 detr 系 query 出的区块框天然就是它的「layout 分支输出」，可直接当 <FORK> 触发后端 AR 并发解码。另一条视觉 token 压缩/按需取证线与减串行步正交：layoutlite 在解码前剪视觉 token，scver 则由每个 AR hidden state 从压缩前高分辨率特征动态做 deformable 检索；后者提示可以把 DETR 框作为显式 region prior，让后端只在当前区块按 token 取细节。

技术主线（一条脉络）

架构地基 → Transformer + ResNet（残差） 是一切的骨架。

视觉演进 → alexnet→vgg→googlenet→ResNet（CNN 时代） → vit→clip→mae（Transformer/多模态时代）；检测分割线 faster-rcnn/yolo/mask-rcnn/unet； DETR 检测线 detr→deformable-detr→dino-detr（query-based，去 anchor/NMS）→d-fine（四边概率分布精修 + 层间定位自蒸馏），文档落地为 rt-doclayout（RT-DETR 单query出框/mask/阅读顺序）+ parser-oriented-refinement（基于 D-FINE 稳定检测→解析器界面，NMS-free）；困难场景文字由 armorocr 将定位、识别、full spotting 与区域 VQA 组合成可验证训练任务，并用 transformed-view teacher 蒸馏原图感知。生成线 ddpm。

语言演进 → word2vec→seq2seq→bert/gpt3/t5 → 对齐 instructgpt → 开源与规模律 llama/chinchilla → 数据中心 phi。

OCR/文档智能（主战场） → 传统两阶段 craft+crnn(ctc) → 端到端 trocr → OCR-free donut/nougat/pix2struct → 多模态预训练 layoutlmv3/dit → 新一代统一端到端 got-ocr2/deepseek-ocr；商业平台 LandingAI ADE Gen2（含 attestation检测）；评测前沿 GDP.pdf（最好模型仅30.7%）+ OCR vs 多模态LLM 系统评测（16系统横评，首把延迟/成本设为一等维度，评价指标引入阅读序无关的 FCA）；多语言维度 MORE（149语种，decoupled→layout-dependent 暴跌~16分，坐实版面/阅读序才是端到端瓶颈）。 新锐端到端 ovis-ocr2（0.8B，OmniDocBench 96.58 SOTA）、 monkeyocr-v2（视觉重建 + 文档原生底座，与 deepseek-ocr 光学压缩形成路线张力）； 多模态小模型 phi4-mini（Mixture-of-LoRAs）。

关键玩家

• microsoft-research（TrOCR/LayoutLM/DiT/phi）、Google（ViT/T5/Pix2Struct）、 OpenAI（CLIP/GPT/InstructGPT）、Meta（LLaMA/Nougat/MAE）、deepseek、Naver Clova（CRAFT/Donut）

演进中的判断

现代 OCR/文档智能 = Transformer 骨架 + 强视觉编码器 + 高质量领域数据， 且正从”检测+识别两阶段”快速收敛到”单一端到端模型直出结构化结果”， 效率竞争（如光学压缩、长上下文）成为新前沿。

下一步可做

• 建 comparisons 页（端到端 OCR 方案横评、OmniDocBench 榜单）
• 补充 benchmark、更多国产 OCR 模型
• 深挖某篇（读全文细化对应 source 页）

已提炼的综合页

• ocr-evolution — 端到端 OCR 演进史
• visual-compression-vs-reconstruction — 视觉压缩 vs 视觉重建之争
• e2e-ocr-comparison — 端到端 OCR 模型横评