从识字到读文档: 三款OCR模型带来了什么新变化?

一、从文字识别到智能文档解析

在日常学习和办公中，我们经常需要处理PDF课件、电子教材、学术论文、扫描文件以及各种图片资料。但这些文件中的文字并不总能直接复制、编辑和检索，复杂表格、数学公式和特殊排版更增加了信息提取的难度。解决这类问题的一项基础技术，就是OCR（Optical Character Recognition，光学字符识别）。传统OCR主要完成文字检测与识别：先确定图片中的文字位置，再将其转换为可编辑文本。Tesseract是具有代表性的传统OCR工具。随着深度学习的发展，CRNN、TrOCR等模型不断提升识别效果，PaddleOCR等开源工具也逐渐广泛应用。

不过，识别文字并不等于理解文档。一篇学术论文可能同时包含双栏正文、数学公式、表格和图片。仅提取文字还不够，还需要恢复正确的阅读顺序和各类内容之间的结构关系。

近年来，视觉语言模型（VLM）的发展推动OCR从文字识别走向文档解析与理解。新一代模型不仅能够识别文字，还可以将复杂PDF转换为保留标题、段落、公式和表格结构的Markdown文档，甚至直接完成信息抽取等任务。

进入2026年，这一趋势进一步延伸到三个方向：超长文档处理、复杂结构解析和多模态文档理解。

Unlimited OCR 2、OXR-1.0和OvisOCR3，正是近期具有代表性的三个模型。

二、Unlimited OCR 2：让OCR能够持续处理超长文档

对于几十页的普通PDF，现有OCR工具通常已经能够完成基本解析。但当文档扩展到数百页甚至数千页时，计算和内存开销会显著增加，跨页表格、连续章节等信息也更难保持完整。

2026年10月27日，百度发布并开源了文心 Unlimited OCR 2，重点探索超长文档的高效连续解析。通常，大模型在生成内容时，需要参考此前处理过的信息。如果始终保留全部历史内容，随着文档长度增长，计算和缓存负担也会不断增加。

Unlimited OCR 2采用更有针对性的处理方式：主要关注当前解析内容，有选择地保留历史参考信息，并释放不再需要的缓存，从而控制长文档处理的资源开销。根据研究团队公开的实验结果，在特定百页级文档测试中，这一机制能够将峰值KV缓存从47GB降低至约1.77GB，并实现约7倍的单步解码加速。

Unlimited OCR 2还展示了处理数千页文档的能力，但能够持续处理超长文档，并不意味着每一页都能保证完全正确。

图1｜Unlimited OCR 2 的长文档处理表现。左图比较不同文档长度下的综合解析得分，右图展示单步解码耗时；绿色曲线对应本文介绍的方法。结果来自作者的特定测试设置。 图片来源：百度 Unlimited OCR 2 技术报告。

它的重要突破，是让OCR从传统的逐页解析，进一步走向资源开销可控的长文档连续处理。对于电子教材、长篇研究报告、历史档案和大型扫描资料，这一方向具有直接的应用价值。

三、OXR-1.0：复杂文档解析不只是识别文字

如果说Unlimited OCR 2重点关注文档长度，那么OXR-1.0更关注文档内容与结构的准确恢复。

2026年10月，SoMark团队发布了拥有约13亿参数的OXR-1.0。其名称来自Optical Everything Recognition，体现了从文字识别向文档多种元素识别扩展的思路。

实际文档的结构可能非常复杂：学术论文包含双栏正文、数学公式和参考文献；财务报表包含大量合并单元格；化学、生物等专业资料还会出现特殊符号与结构图。

对于这些内容，识别文字只是第一步，更重要的是恢复原始文档的组织方式。

图2｜OXR 对中文手写笔记的解析效果。左侧是含公式和表格的原始笔记，中间标出识别区域与阅读顺序，右侧是整理后的结果。可对照查看手写文字、公式和表格的恢复情况。 图片来源：SoMarkAI OXR 官方项目，中文手写示例。

OXR-1.0将版面分析与内容识别相结合，并提供可替换的版面分析模块，方便针对不同类型的文档调整处理流程。

此外，OXR引入了递归自我改进（Recursive Self-Improvement，RSI）训练方法，通过发现模型在困难样本上的不足，持续构建更有针对性的训练数据，改进识别与解析效果。在官方发布的评测中，OXR-1.0在OmniDocBench、olmOCR-Bench等文档解析基准上取得了具有竞争力的成绩。

OCR的目标不再只是提取文字，而是尽可能准确地恢复文档原有的信息结构。

四、OvisOCR3：从文档解析进一步走向文档理解

当文字和排版结构能够被准确识别后，自然会产生新的需求：能否直接从文档中提取关键信息、理解图表，或者重建跨页表格？

2026年10月，阿里巴巴ATH-MaaS团队开源了OvisOCR3。该模型参数规模约为8亿，却集成了文档解析、通用OCR、关键信息抽取、文档图片理解和跨页表格重建等能力。其中，关键信息抽取（KIE）是一项十分实用的功能。例如，处理会议通知、发票或实验报告时，可以指定需要提取的字段，将结果组织为JSON格式，方便后续程序直接使用。

在文档图片理解方面，OvisOCR3能够为图表、流程图等内容生成描述，部分流程图还可以转换为Mermaid等结构化表示。

跨页表格重建则尝试判断相邻页面中的表格是否连续，并恢复完整结构。

原始跨页表格片段

OvisOCR3 重建结果

图3｜OvisOCR3 的跨页表格重建效果。左侧原表的“经营活动产生的现金流量净额”与单位“元”被分页拆开；右侧结果将单位接回同一单元格，并恢复连续的表格。该图为官方报告中的具体案例。 图片来源：ATH-MaaS OvisOCR3 技术报告。

OvisOCR3的重要意义，是将文字识别、结构解析与部分文档理解任务整合到一个紧凑模型中。这也为文档知识库、智能办公和基于文档的AI助手提供了新的技术基础。

五、三个模型，体现了OCR发展的不同方向

Unlimited OCR 2、OXR-1.0和OvisOCR3虽然都属于新一代OCR技术，但各自解决的问题有所不同。

实际选择OCR工具时，应根据文档类型、识别精度、处理速度及使用成本进行综合判断。

六、OCR如何与多模态大模型和AI智能体结合？

多模态大模型可以直接读取图片或 PDF，提取文字、解释图表和回答问题，适合少量材料或需要结合画面理解的任务。面对大量扫描页、复杂表格和公式时，专用 OCR 往往更适合承担批量识别与结构化解析；具体效果仍要结合文档和工具测试。

AI 智能体可以根据任务调用工具并组织流程：OCR 负责识别文字和结构，大模型负责分析、总结与问答。遇到复杂图表或模糊公式时，还可以让多模态模型查看原图或局部截图。

图4｜OCR、检索与大模型的协作方式。解析后的资料可以复用，提问时按需检索；图表和公式可返回原图复核。是否节省总成本，还取决于调用次数、解析费用和模型计费方式。

Token 是大模型处理信息的计量单位，文字和图片输入都可能产生消耗。对于需要反复查询的长文档，可以先解析并建立可检索的资料库，提问时只向模型提供相关片段；这种“先解析、再检索、按需分析”的方法是检索增强生成（RAG）的常见思路。

节省并非必然：如果每次仍将全文发送给模型，文本 Token 也可能很多；OCR、检索、存储和原图复核同样可能产生费用。可优先直接提取可复制的 PDF 文字，对扫描件使用 OCR，再按需检索和调用视觉能力；实际成本取决于调用次数、文档内容及服务计费方式。

对于日常图片识字，可以使用手机自带的文字识别功能或PaddleOCR；对于复杂PDF解析，可以尝试OXR提供的在线演示或免费API；对于超长文档和多任务文档理解，则可以关注Unlimited OCR 2和OvisOCR3的官方项目。

最后还需要注意，OCR与大模型都可能出现识别错误或生成不符合原文的信息。数学公式、实验数据、财务金额等重要内容应对照原始文档核查；包含个人隐私或未公开资料的文件，也应谨慎上传到第三方平台。