1.2B 小模型登顶文档解析榜,MinerU、PaddleOCR 全被反超,赢家是中国电信

↑阅读之前记得关注+星标⭐️，😄，每天才能第一时间接收到更新

大家好，我是杰克王，AI 算法 6 年老兵。

想象一个场景：一张被揉皱又摊开的纸，上面印着跨行跨列的表格和数学公式。你拿手机随手一拍，上传，几秒钟后，屏幕上出现还原得整整齐齐的结构化表格，行列不乱，公式符号级准确。

干这个活的模型，只有 1.2B 参数。而它的主人不是任何一家 AI 独角兽，是中国电信。

9 月 24 日，中国电信旗下星辰通用人工智能实验室开源了文档解析模型 TeleOCR。成绩单拿出来有点狠：OmniDocBench v1.6 总分 96.87 登顶，Wild-OmniDocBench 和 PureDocBench 同步第一，外加 ICDAR-2026 科学图解析挑战赛冠军。MinerU、PaddleOCR、GLM-OCR、DeepSeek-OCR2，这些赛道里的熟面孔全部排在它后面。

这条赛道有多挤，这个第一就有多反常

先交代背景。文档解析是 AI 落地里最脏最累的活之一。传统 OCR 只干一件事：把图片转成文字。但企业要的不是文字，是结构——这张表的跨行跨列怎么还原，这段公式的符号层级是什么，这张图表背后的数据是多少。合同、档案、论文、报销单，全是这种硬骨头。

相机拍的文档更难：纸张弯曲、透视畸变、阴影模糊，传统流程要先校正、再检测版面、再识别，每个环节错一点，误差层层累积，最后结果没法看。

这条赛道上聚满了狠角色：上海 AI Lab 的 MinerU、百度的 PaddleOCR、小红书的 dots.ocr。然后，第一名被一家运营商拿走了。

为什么是中国电信

做这件事的是 TeleAI，中国电信人工智能研究院，2024 年由李学龙牵头组建。李学龙现在是电信集团 CTO、首席科学家，拿过何梁何利科学与技术创新奖。TeleAI 给自己定的使命很值得玩味：基于国产芯片，训练国际一流模型。

运营商做文档解析，看似不务正业，其实顺理成章。电信手里最不缺的就是文档：营业厅单据、政企合同、档案系统，每天海量真实纸张在流转。有场景、有数据、有国产算力的任务指标，这三样凑齐，垂直模型做出彩是迟早的事。

第一个反直觉：赢靠的不是架构，是数据闭环

1.2B 打赢更大的对手，秘诀不在模型结构，在数据。TeleOCR 搞了一套数据流水线，核心是让模型自己给自己打工。

多节点共识投票：几个不同模型对同一份文档各自预测，投票选出高置信度的答案当训练标签，相当于三个老师傅背靠背改同一份卷子，谁偏颇谁出局。

图像到图像自验证：模型把解析结果重新渲染成图片，和原图比对，自己挑自己的错。

渐进式清洗：一致性高的进训练集，分歧大的当难题留级，循环往复。

最终形成千万级文档解析训练数据池，其中大部分生成数据不依赖人工标注。标注贵、标注慢、标注会错，这个行业最贵的成本项，被这套闭环绕开了。

第二个反直觉：揉皱的纸，不用先抚平

传统方案处理弯曲文档，必须先用一个独立模型把图像"压平"，再送去识别。TeleOCR 的做法是把几何感知直接学进模型里：通过曲率引导的采样机制，模型显式学习文档的边界和空间结构。

看这张实测图：揉皱的收据、弯折的论文、透视变形的海报，模型直接标出每个内容块的位置。以前是先把纸压平再读，现在是模型在脑子里自己抚平。省掉一个前置模型，误差累积的源头也就没了。

第三个反直觉：表格和文字，分开学再合上

TeleOCR 用了一种"内容-结构解耦"的训练法。以表格为例：一类数据把文字全部遮住，只留表格的拓扑骨架，强迫模型先学会行列关系和跨行跨列；另一类数据保留完整内容，再教模型把结构和语义对上。

先学五线谱，再学唱歌词。公式同理，语义和语法分开建模，最后联合对齐。整个训练分四个阶段，从基础感知一路走到强化学习。

这套方法论的巅峰之作，是科学图解析：直接读论文里的柱状图，把数据还原成结构化表格。这也是它拿下 ICDAR-2026 冠军的能力。

左边是论文里的柱状图，右边是模型输出的数据表。做文献调研的人应该懂这个功能值多少时间：以前要拿尺子对着屏幕量的数据，现在一键变成能计算的表格。

泼三盆冷水

第一盆：榜首优势很薄。OmniDocBench 上 TeleOCR 96.87 分，第二名 OvisOCR2 96.58 分，差距只有 0.29 分，说"屠榜"是夸张，说"登顶"刚刚好。

第二盆：榜单成绩是官方自报口径。我发稿时查了，GitHub 227 个 star，模型下载量 145，第三方复测还没影。不过 ICDAR 冠军是第三方赛事打出来的，不全是自说自话。

第三盆：它不是手机 App。本地部署要 CUDA GPU 环境，走 vllm 推理，普通用户得有点动手能力，或者等官方在线体验版放量。

我的三个判断

第一，文档解析今年会完成端到端洗牌。"校正、检测、识别"三段式串联 pipeline 会被统一框架吃掉，TeleOCR 的几何感知路线就是方向。还在维护多模型串联方案的团队，该评估迁移成本了。

第二，运营商会成为垂直模型赛道的隐形冠军。有真实场景、有私有数据、有国产算力任务，这套组合在文档、客服、网络运维这些"脏活"领域会持续产出榜首模型。我预测一年之内，另外两家运营商也会开源自己的行业模型，欢迎对账。

第三，做知识库和 RAG 的团队，解析层该换供应商了。1.2B 意味着一张消费级显卡就能跑，三榜第一加 ICDAR 冠军，这个解析层目前是开源里最划算的选项。

大模型的聚光灯总是打在通用对话上，但真正帮企业省钱的，往往是文档解析这种没人围观的脏活。

AI 落地的深水区，不在发布会上的跑分，在营业厅的单据、合同的表格和论文的图表里。谁能把这些纸张变成数据，谁才算真正踩进了产业的门槛。

觉得有收获，点个在看支持一下 👇

感谢阅读。我是杰克王，欢迎加微交流 🚀