四大开源 OCR 终极对决：MinerU 2.5 · DeepSeek-OCR 2 · HunyuanOCR · PaddleOCR-VL-1.5
2025 年末到 2026 年初，开源 OCR 领域迎来了史上最密集的技术爆发。不到三个月内，四款重量级模型接连登场——上海 AI Lab 的 MinerU 2.5、DeepSeek 的 DeepSeek-OCR 2、腾讯的 HunyuanOCR、百度的 PaddleOCR-VL-1.5。它们参数量均在 1B 左右，却在 OmniDocBench 上打出了 90%~95% 的惊人精度，甚至全面超越了数百亿参数的通用大模型。本文将从架构设计、核心创新、训练策略、性能数据、应用场景五个维度进行深度横向对比，帮你找到最适合自己需求的那一款。
一、时间线与背景：一场百日战争
| 时间 | 事件 |
|---|---|
| 2025.09.26 | 上海 AI Lab 发布 MinerU 2.5，1.2B 参数，首创"粗到细"解耦架构 |
| 2025.11.25 | 腾讯混元发布 HunyuanOCR，1B 参数，纯端到端 VLM，OmniDocBench 94.10 |
| 2026.01.27 | DeepSeek 发布 DeepSeek-OCR 2，引入因果流视觉编码，OmniDocBench 91.09 |
| 2026.01.29 | 百度飞桨发布 PaddleOCR-VL-1.5，0.9B 参数，OmniDocBench 94.5 登顶 |
短短四个月，OmniDocBench 的 SOTA 被刷新了四次。这不是巧合——OCR 正处于从传统流水线向多模态视觉语言模型迁移的关键拐点，各大团队都在这个窗口期抢占技术制高点。
二、架构：四条截然不同的道路
四款模型虽然都瞄准了同一个目标——高精度文档解析，但在架构设计上走出了四条风格迥异的路线。理解这些差异，是选型的第一步。
2.1 MinerU 2.5：解耦式"先粗后精"
核心理念：将全局布局分析与局部内容识别彻底解耦
阶段一：全局布局分析（粗） ├── 输入：下采样缩略图（1036×1036） ├── 任务：检测文本块、表格、公式、图片等元素 + 阅读顺序 └── 输出：所有元素的边界框和类别 阶段二：局部内容识别（细） ├── 输入：从原始高分辨率图像裁剪的各元素区域 ├── 任务：对每个裁剪区域进行精细识别 └── 输出：文本(Markdown) / 表格(OTSL→HTML) / 公式(LaTeX) MinerU 2.5 的精妙之处在于：第一阶段在缩略图上工作，计算量极低；第二阶段只处理裁剪出的关键区域，避免了对整页高分辨率图像做全局注意力。这种空间维度上的分治策略将计算复杂度从 O ( N 2 ) \mathcal{O}(N^2) O(N2) 降低了一个数量级。
模型组件：
| 组件 | 实现 | 参数量 |
|---|---|---|
| 视觉编码器 | SigLIP（图像特征提取） | ~400M |
| 语言解码器 | 基于 Qwen2 架构微调 | ~800M |
| 总计 | 1.2B |
独特优势： 双后端架构设计——同时提供传统 Pipeline 后端（基于多模型级联）和 VLM 后端（基于视觉语言模型），用户可根据场景灵活切换。
2.2 DeepSeek-OCR 2：因果流视觉编码
核心理念：用 LLM 替代 CLIP 编码器，在编码阶段就完成语义重排
视觉分词器（SAM-base, 80M）→ 视觉 Token ↓ LLM 视觉编码器（Qwen2-0.5B） ├── 视觉 Token 间：双向注意力（保持全局感知） └── 查询 Token 间：因果注意力（模仿人类阅读逻辑） ↓ 有序的视觉特征序列 → LLM 解码器 → 文本输出 DeepSeek-OCR 2 的核心创新是 DeepEncoder V2——引入可学习的"因果流查询 Token"，通过因果注意力掩码实现两级级联因果推理：编码器负责"理顺"信息（语义重排），解码器负责"翻译"信息（文本生成）。
技术亮点：
- 视觉 Token 数量严格控制在 256~1120 个，是业界最低
- 首次验证"LLM 可以有效充当视觉编码器"这一假设
- 阅读顺序编辑距离从 0.085 降至 0.057（↓33%）
2.3 HunyuanOCR：原生多模态端到端
核心理念：单一模型、单次推理，摒弃一切流水线设计
Hunyuan-ViT（SigLIP-v2-400M）→ 视觉特征 ↓ Adaptive MLP Connector → 压缩视觉 Token ↓ Hunyuan-0.5B（XD-RoPE）→ 结构化文本输出 HunyuanOCR 最大的与众不同是 XD-RoPE（Cross-Dimensional Rotary Position Embedding），将位置编码解构为四个独立子空间：
| 维度 | 用途 |
|---|---|
| 文本维度 | Token 在序列中的位置 |
| 高度维度 | 文字在页面上的垂直位置 |
| 宽度维度 | 文字在页面上的水平位置 |
| 时间维度 | 视频帧的时间戳 |
这让一个 0.5B 的语言模型天然具备了对文档空间结构的深度理解——多栏排版、表格、浮动图片的相对位置关系，都被编码到位置嵌入中，而不需要模型"自己去学"。
训练亮点： 2 亿高质量图文对 + GRPO 强化学习 + ICDAR 2025 文档端到端翻译赛道冠军。
2.4 PaddleOCR-VL-1.5：两阶段版面驱动
核心理念：让版面分析引擎和视觉语言模型各司其职
阶段一：PP-DocLayoutV3（版面分析） ├── RT-DETR + 掩码检测头 → 多边形异形框定位 ├── Global Pointer → 阅读顺序预测 └── 输出：17 类元素的精确位置 + 类型 + 阅读顺序 阶段二：PaddleOCR-VL-0.9B（内容识别） ├── NaViT 动态分辨率编码器 ├── Adaptive MLP Connector ├── ERNIE-4.5-0.3B 语言模型 └── 输出：6 大任务的结构化内容 PaddleOCR-VL-1.5 的标志性创新是多边形异形框定位——用像素级实例分割掩码替代传统矩形框，解决了倾斜、弯折、透视变形场景下的定位失配问题。这
