别瞎花钱了!我测完 18 个文档 6 类场景,告诉你怎么选适合你的OCR 模型?(项目已开源+实测数据)

起因：73k Star 之后，朋友们问了个问题！

前几天 PaddleOCR 登顶 GitHub OCR 榜单，Star 数突破 73k+，成为全球最受欢迎的开源 OCR 项目。我在 X 上分享了这个消息，评论区直接炸了。

好几个朋友都在问同一件事：“智谱的 GLM-OCR 最近也挺火的，号称专门做文档识别，你能不能测一下，跟 PaddleOCR 比到底谁更好用？”

说实话，我也好奇。

两个模型参数量都是 0.9B，都有免费的 Cloud API，但架构思路完全不同。官方跑分看着都挺好，不如自己动手测测看。

我这里直接使用了本地脚本+API 的方式快速可以测试到结果的方式进行！

于是就有了这篇免费自来水，自己用了 Claude Code Sonnet4.6 帮我撰写测试脚本，最后来撰写实测的文章。

两位选手：同样 0.9B，不同的路

在开始测试之前，先介绍一下两个模型的背景和核心差异。

OCR（Optical Character Recognition，光学字符识别）：把图片里的文字“读出来”，变成可编辑文本的技术。你手机扫描名片、银行识别卡号、PDF 论文转 Word，背后都是 OCR 在干活。就像给计算机装了一双能读字的眼睛。

传统 OCR 只认识印刷体，遇到公式、表格、手写笔记就会出错。近两年出现了基于视觉语言模型（VLM）的新一代 OCR，它们能同时理解图像内容和文字语义，识别能力大幅提升。

这次测试的两位选手，都采用了相同的两阶段架构，甚至共享同一个布局分析模型。

GLM-OCR（智谱 AI）

GLM-OCR 是智谱 AI 推出的轻量级 OCR 模型，参数量 0.9B，基于 GLM-V 编码器-解码器架构 + CogViT 视觉编码器。

它采用两阶段 Pipeline：先用 PP-DocLayout-V3 进行布局分析，将页面切分成不同区域，再通过 GLM-V 多模态模型对各区域进行并行识别。

模型引入了多令牌预测（MTP）损失和稳定的全任务强化学习，提升训练效率和泛化能力。

• 擅长手写体、印章、代码、复杂表格和公式

• 输出含版面坐标（bbox），可精确还原文档空间结构

• 支持 vLLM / SGLang 本地部署，速度 1.86 页/秒

• Cloud API 免费额度：open.bigmodel.cn

PaddleOCR-VL-1.5（百度飞桨）

PaddleOCR-VL-1.5 是百度飞桨团队的新一代文档识别模型，同样 0.9B 参数。

它同样采用两阶段 Pipeline：先用自家开发的 PP-DocLayout-V3 进行布局分析，将页面切成若干区域（标题、正文、表格、公式……），再让 VLM 按区域逐一识别，最后拼接成完整的 Markdown。

• Pipeline 架构对复杂版面耗时更稳定

• 支持 80+ 语言，中英文混排开箱即用

• GitHub 73k+ Star，国内最广泛使用的开源 OCR 项目

• 支持昆仑、昇腾等国产 GPU

• Cloud API 免费额度：aistudio.baidu.com

架构对比一览

一句话总结：两个模型都采用“先布局分析、再识别”的两阶段流程，甚至共享同一个布局分析模型 PP-DocLayout-V3（百度飞桨开发）。

性能差异主要来自识别阶段：GLM-OCR 使用 GLM-V + 强化学习训练，PaddleOCR 使用 VLM + 传统监督学习。

测试怎么做的

评测基准：OmniDocBench

OmniDocBench：由上海人工智能实验室（OpenDataLab）发布的文档理解评测基准，发表于 CVPR 2025。完整版包含 1355 页真实文档，涵盖 9 种文档类型。可以理解为 OCR 界的“高考”。

本次我用的是 OmniDocBench 的公开 Demo 子集，共 18 张图片，覆盖 6 类典型场景：中文电子书（4 张）、学术论文（2 张）、教材（4 张）、报纸（2 张）、手写笔记（2 张）、PPT/研报（4 张）。

测试流程

1. 将 18 张图片逐一通过 Cloud API 发给两个模型，收集 Markdown 格式的识别结果

2. 使用 OmniDocBench 官方评测脚本（pdf_validation.py），将模型输出与人工标注 Ground Truth 逐块对比

3. 计算各项指标并生成对比报告

为了大家方便自己测试，我直接将我的测试脚本开源给大家使用。

记得 Star⭐️啊，兄弟们！

基于 OmniDocBench 的 OCR 模型基准测试框架，对比评测 GLM-OCR 和 PaddleOCR-VL-1.5 两款 0.9B 参数多模态模型在真实文档场景下的识别能力。

覆盖文本识别、表格解析、公式识别、版面检测、阅读顺序等多维度评测，支持一键运行推理、评测和报告生成。

项目地址：

https://github.com/andyhuo520/ocr_benchmark

测试环境

• 硬件：Apple M1 Pro 32GB

• 网络：Cloud API 调用

• 评测工具：OmniDocBench v1.5 官方脚本

• 测试时间：2026 年 4 月 1 日

💡 所有测试图片和输出结果均来自真实测试，数据可复现验证。

评估指标说明

综合分公式：综合分 = ((1−文本 ED) + (1−公式 ED) + 表格 TEDS + (1−阅读顺序 ED)) ÷ 4 × 100，满分 100。

总成绩：PaddleOCR 领先近 4 分

直接上结果：

PaddleOCR 在文本、公式、表格三个维度全面领先，GLM-OCR 只在阅读顺序上小幅胜出（差距不到 1.1 分）。

两个模型的公式识别都是短板，错误率超过 40%。这个方向，整个行业还有很长的路要走。

但总分只是一个数字，真正有价值的是逐个场景看细节。下面我把每一类文档的测试图片和两个模型的实际 OCR 输出都展示出来，大家自己判断。

📚 场景一：中文电子书

测试样本：双栏混合排版 · 学术讨论类正文胜者：GLM-OCR（ED 0.0958 vs 0.2195）

GLM-OCR 输出（耗时 7.2s）

与通常一般意义上理解的文学创作或文学作品的“文学”字面一样，所以，弄得“比较文学”成为一个“有缺陷的词”。$^{1}$ 因此，为了减少像比较文学那样的歧义，我们在学科的命名上使用“美术学”，而不使用“美术”这个名称来框定这个跨越中西双方的美术研究的工作，是为了使“中西比较美术学”中的“美术学”不让人往“美术作品”或“美术创作”方面认识。不仅如此，仅从名称上看，“美术学”是一个学科名称（1990 年国务院学位委员会专业目录调整会议决定，将“美术历史与理论”专业正式改名为“美术学”，成为一级艺术学下属的二级学科），与“美术”（Fine Art）这个词是有区别的。

PaddleOCR-VL-1.5 输出（耗时 17.9s）

与通常一般意义上理解的文学创作或文学作品的“文学”字面一样，所以，弄得“比较文学”成为一个“有缺陷的词”。$^{1}$ 因此，为了减少像比较文学那样的歧义，我们在学科的命名上使用“美术学”，而不使用“美术”这个名称来框定这个跨越中西双方的美术研究的工作，是为了使“中西比较美术学”中的“美术学”不让人往“美术作品”或“美术创作”方面认识。不仅如此，仅从名称上看，“美术学”是一个学科名称（1990 年国务院学位委员会专业目录调整会议决定，将“美术历史与理论”专业正式改名为“美术学”，成为一级艺术学下属的二级学科），与“美术”（Fine Art）这个词是有区别的。
这一页两个模型输出几乎一模一样，标点、注释编号、专业术语都没问题。GLM 的编辑距离更低，可能得益于其强化学习训练策略对长文本连贯性的优化。

中文书籍场景，GLM-OCR 明显更强。

📄 场景二：学术论文（公式密集）

测试样本：英文 SciHub 论文 · LaTeX 公式 · 化学数据表胜者：GLM-OCR（ED 0.0125 vs 0.0194，但耗时差距巨大）

GLM-OCR 输出（耗时 87.2s）

Removal of sulfur and lipids
The sulfur present in sewage sludges has to be removed before the GC-EI-MS and GC-EI-MS-MS determination to avoid any interference. Copper bars (0.5 cm) were activated with 30% HCl for 30 s and then cleaned with acetone, n-hexane and the dried bars was added to the extract. Bio-Beads were used to remove the co-extracted lipids…

PaddleOCR-VL-1.5 输出耗时 23.4s

Removal of sulfur and lipids
The sulfur present in sewage sludges has to be removed before the GC–EI-MS and GC–EI-MS–MS determination to avoid any interference. Copper bars (0.5 cm) were activated with 30% HCl for 30 s and then cleaned with acetone, n-hexane and the dried bars was added to the extract. Bio-Beads were used to remove the co-extracted lipids…

分析：两个模型对标准英文学术排版都能轻松应对，输出几乎一致。但耗时差距巨大：GLM 花了 87.2 秒，PaddleOCR 只用了 23.4 秒。公式密集页面让 GLM 的识别阶段承受了很大的计算压力。结论：文本质量两者不相上下，但 GLM 在公式密集页面的耗时不可预期。

📖 场景三：教材（中英文）

数学练习册 · 分数符号 · 多选项排布 · 图文混排

测试样本：英文数学练习册 · GLM 文本 ED 0.0957 vs Paddle 0.1353

GLM-OCR 输出耗时 2.1s

再看一张中文彩色教材：

测试样本：小学语文练习卷（含拼音和手写生字）

题目和分数选项两个模型都识别对了。有个小区别：GLM 按原文横向排列（A-C-B-D），PaddleOCR 自动重排成了顺序（A-B-C-D）。中文教材那张，GLM 把“咩咩”看成了“哗哗”，拼音声调也有点问题；PaddleOCR 在生字上也有偏差，但拼音整体更准。

教材场景 GLM 稍微领先一点，不过两个都够用。

📰 场景四：报纸（复杂多栏）

三至四栏混合 · 小字体 · 高密度文本 · 差距最大的场景

测试样本：中文传统报纸 · GLM 文本 ED 0.5246 vs Paddle 0.0658（差距 8 倍）

GLM-OCR 输出耗时 100.8s

本报记者 蔡茂楷
在中央财政支款下，融资安全受较大影响，可用“财政、金融等各类资金支持”。中央财政支持的资金，95% 将选在 30% 的 3M 办公软件上，资金供应量占全省 30% 的 9 单办公软件，出出国资金
改生态，要宜居好环境。在其“大院”门厅的东端，早在 1990 年，有数百名白鹭自南向北飞来于门廊山坡上山林。
记者采集本地大型鸟类各产区区鸟类，在城镇核心区的大型鸟类采集数据，每隔 300 米就收集了一台 TFC 型太阳能出虫器
自理设备应用在安保实验以来，多次通过建立击虫监测点，配备 TEC 太阳型灭虫虫，击虫灯，双眼灭虫灯，生物显微镜，机示显微镜等设备提升茶叶质量。

PaddleOCR-VL-1.5 输出耗时 15.3s

在中央财政支持下，福建突出无性系良种大面积推广应用，现在，全省拥有国家级茶树良种 19 个，省级良种 21 个，无性系良种推广面积达 95%，远高于全国 35% 的平均水平，居全国领先地位。
☑本报记者蔡茂楷
福建具有“茶之乡”“茶之祖”等诸多美誉。2008 年以来，为推进现代茶产业，围绕“五促进，两带动”的目标，中央财政连续三年注入资金，总额达 2.29 亿元，整合省相关部门资金 4.33 亿元投入茶产业。
记者来到全国最大乌龙茶主产区安溪县，在城区茶叶公园的生态茶园里，记者看到，每隔 500 米就安装了一台 TFC 型太阳能灭虫器。工作人员李旭云介绍说，灭虫器收集取之不尽的太阳能作为能源，针对害虫生活习惯，诱杀害虫。
红色标注的是 GLM-OCR 的“幻觉”输出。原文说的是“福建茶产业”，GLM 输出了“3M 办公软件”“出出国资金”；原文说“乌龙茶主产区安溪县”，GLM 读成了“大型鸟类各产区区鸟类”；“太阳能灭虫器”变成了“太阳能出虫器”。这些词在原文中根本不存在。

再看第二张报纸（英文联邦公报）：

测试样本：英文联邦公报（多栏法律文书）

两个模型使用同一个布局分析模型（PP-DocLayout-V3），但 GLM 在多栏复杂版面上表现不稳定，问题出在识别阶段：GLM-V 在处理复杂切分区域时容易产生幻觉内容。PaddleOCR 的 VLM 识别模型更稳健，就算某一块出问题，也不会把整页带偏。

报纸场景是 GLM 的重灾区。如果你的业务会碰到多栏复杂版面，这个风险得考虑清楚。

✍️ 场景五：手写笔记

印刷+手写混合 · 含表格 · GLM 出现严重乱码

测试样本：中文课堂手写笔记 · GLM 文本 ED 0.1885 vs Paddle 0.0359（差距 5 倍）

GLM-OCR 输出耗时 2.7s

(4) 天气预报的内容：
① 卫星云图：蓝色表示海洋，绿色表示陆地，白色表示云区
② 斑币天报搬胀、配币一日内削膈、PL 晶光挂水晕常烦痛。另外还护莎尘雾空晕雾、痰水、太象雾所报报。
PaddleOCR-VL-1.5 输出耗时 14.8s

(4) 天气预报的内容：

① 卫星云图：蓝色表示海洋，绿色表示陆地，白色表示云区
② 城市天气预报：说明一日内阴晴、风、气温和降水等常规情况，另外还有沙尘暴、空气质量、海浪、冰雹、大雾等特殊预报。
前半部分两者都正确。但到了第②条手写内容，GLM-OCR 彻底崩溃：“城市天气预报”变成了“斑币天报搬胀”，“降水”变成了“痰水”，“大雾”变成了“空晕雾”。

再看第二张手写笔记（英语语法笔记）：

测试样本：英语语法手写笔记（以印刷体为主）

GLM-OCR 输出耗时 2.0s

Which hotel have you booked for your holiday?
（为了度假你预订了哪家族馆？）
(4) 疑问代词不分单复数，视它所替代的人或事物决定单复数，但是通常用单数；如果修饰名词，则以名词的单复数力填。
each other, one another 是相互代词，译为“互相”。可以通用。each other 表示两者之间，而 one another 表示许多人之间，它们有绚丽格形式。

PaddleOCR-VL-1.5 输出耗时 10.9s

—Which hotel have you booked for your holiday?
（为了度假你预订了哪家旅馆？）
(4）疑问代词不分单复数，视它所替代的人或事物决定单复数，但是通常用单数；如果修饰名词，则以名词的单复数为准。
each other, one another 是相互代词，译为“互相”，可以通用。each other 表示两者之间，而 one another 表示许多人之间。它们所有格形式：each other‘s, one another’s.

就算是印刷体为主的笔记，GLM 也翻车了好几处：“哪家旅馆”→“哪家族馆”，“为准”→“力填”，“所有格”→“绚丽格”。PaddleOCR 这些全对。

手写笔记场景，PaddleOCR 稳定性强太多了。

📊 场景六：PPT / 研报

语文教学 PPT · 金融研报 · 图文并茂 · 含表格数据

测试样本：语文教学 PPT（诗词赏析）

GLM-OCR 输出耗时 35.1s

“游人”指那些忘了国难，苟且偷安，寻欢作乐的南宋统治阶级。诗人面对这不停的歌舞，看着这些“游人们”陶醉其中，不由得表现出自己的感慨之情。其中，“暖风”一语双关，在诗歌中，既指自然界的春风，又指社会上淫靡之风。在诗人看在，正是这股“暖风”把“游人”的头脑吹得如醉如迷，忘记了自己的国家正处于危难之中。

PaddleOCR-VL-1.5 输出耗时 9.9s

“游人”指那些忘了国难，苟且偷安，寻欢作乐的南宋统治阶级。诗人面对这不停的歌舞，看着这些“游人们”陶醉其中，不由得表现出自己的感慨之情。其中，“暖风”一语双关，在诗歌中，既指自然界的春风，又指社会上淫靡之风。在诗人看在，正是这股“暖风”把“游人”的头脑吹得如醉如迷，忘记了自己的国家正处于危难之中。

再看一张金融研报：

测试样本：常熟银行投资研报（含财务数据表格）

两个模型都正确识别了股票代码（601128. SH）、股价（7.15 元）、表格中的财务数据（总市值 196 亿元、资产负债率 92.1%）等。GLM 的输出保留了 bbox 坐标信息，PaddleOCR 的表格 HTML 结构更完整。

结论：PPT 和研报场景，两者表现接近，GLM 略胜。排版相对简单时，两个模型都很稳。

阅读顺序：共享 PP-DocLayout-V3 却结果不同？

两个模型都使用 PP-DocLayout-V3 做版面分析，按理说阅读顺序应该完全一致。实测发现并非如此：

原因分析：虽然两者共用 PP-DocLayout-V3 做版面检测，但从 API 端输出 Markdown 时，区块的拼接顺序受到各自后处理逻辑的影响。PaddleOCR API 严格按 block_order 拼接（有时表格/副文被提前），而 GLM-OCR 的 Pipeline 在拼接时做了额外的顺序调整，某些场景下更贴近人类阅读习惯。

⏱️ API 响应耗时：平均值骗人

两个模型的平均 API 响应耗时几乎相同：GLM-OCR 17.1 秒，PaddleOCR 17.2 秒。但这个平均值掩盖了本质差异。

GLM 的耗时像坐过山车：简单页面 2-3 秒飞快，但遇到报纸直接飙到 100.8 秒，公式密集的论文也要 87.2 秒。去掉这两个极端值，GLM 平均只要 7.4 秒左右。

PaddleOCR 的耗时就稳多了，大部分在 10-30 秒之间，唯一的例外是一张 PPT 用了 61.2 秒。

这就是两种架构的性格差异。GLM 处理简单页面快得飞起，但复杂版面就说不准了。PaddleOCR 速度不是最快的，但基本不会慢到离谱。对企业应用来说，稳定性往往比峰值速度更重要。

一个有趣的统计学现象

看完分场景数据，你可能注意到一个矛盾：按文档来源细分，GLM-OCR 在 9 个类别中赢了 6 个，PaddleOCR 只赢了 3 个。但综合分反而是 PaddleOCR 领先。

这是统计学中经典的辛普森悖论。

辛普森悖论（Simpson‘s Paradox）：一个趋势出现在几组不同的数据中，但当数据合并时，趋势反转了。就像一支篮球队在大多数节次得分领先，但因为某一节被对手暴打，总分反而落后。

原因很简单：GLM 赢的那些类别，赢得很小（书籍 ED 差距 0.12）；但 GLM 输的两个类别，输得很大（报纸 ED 差距 0.46，手写笔记差距 0.15）。巨大的落差吞噬了所有优势。

这也提醒我们：选模型不能只看“赢了几个场景”，还得看“输的时候输得有多惨”。

场景选型建议

说了这么多数据，最实际的问题是：我的场景该选哪个？

总体建议：如果你不确定选哪个，默认选 PaddleOCR-VL-1.5。它在文本、公式、表格、耗时稳定性上综合更优，开源生态成熟（73k+ Star），国内生产环境验证也多。

GLM-OCR 适合两个明确场景：一是中文书籍/教材的高精度识别（特别是需要版面坐标还原的时候），二是团队已经在用智谱 AI 生态的。

最后说几句

写这篇文章的初衷很简单，就是想给大家一个客观的参考。两个模型都是 0.9B 参数量，都有免费 Cloud API，都在快速迭代。今天的测试结论，可能几个月后就会因为模型更新而变。

但有一点值得记住：短板决定下限。

GLM 在报纸上输出“3M 办公软件”“太阳能出虫器”那一刻，不只是一个 OCR 错误。它意味着如果你的文档流水线里混进了一张复杂排版的扫描件，整条流水线的结果都不可信了。

PaddleOCR 的 Pipeline 架构虽然不是每个场景都最优，但它有种“优雅的降级”能力：某个区域识别不好，不会把整页带崩。

这次测试用的只是 OmniDocBench 的 18 页 Demo 子集。有时间的话，我后面会跑完整版 1355 页的测试，到时候再跟大家分享。

有问题欢迎留言讨论。

项目地址：

https://github.com/andyhuo520/ocr_benchmark

交流：358848136