夜雨聆风
上周我把一份扫描版简历丢给 AI 助手，想让帮忙整理成结构化数据。结果 AI 一本正经地问我："请问 h89.cr 是什么域名？"
我愣了一下，低头看原文——明明是 me@h89.cn。这件事让我意识到：传统 OCR 提取出来的文字，AI 根本没法好好理解。
不只是邮箱会认错。英文单词粘在一起变成 OceanDepths，表格变成一团乱麻，公式直接变乱码，最要命的是所有内容平铺成一锅粥，标题和正文完全分不清。
于是我决定动手，在自己的笔记本上搭一套本地 PDF 识别方案。折腾了两天，先后试了 PP-OCRv4、DeepSeek-OCR-2 和 PaddleOCR-VL-1.5，记录如下。
测试设备：NVIDIA RTX 4060 Laptop (8GB) / CUDA 11.8 / Windows 11
二、PP-OCRv4：快是真快，坑也是真的多
最先上手的是 PP-OCRv4。毕竟名声在外，中文 OCR 的标杆，而且 paddlepaddle-gpu==2.6.2 + paddleocr==2.7.3 这套组合在 Windows 上有成熟的 GPU 支持。
跑起来之后的惊喜
两页简历，1.4 秒 就跑完了。十页设计素材，1.9 秒。这速度放在本地跑，基本就是眨眼的事。显存也只吃了 2GB 左右，RTX 4060 的 8GB 显存表示毫无压力。
但结果让我哭笑不得
输出的是纯文本，所有内容像流水账一样平铺。更尴尬的是前面说的那个邮箱——它把 .cn 看成了 .cr，JNI 识别成了 小ni。
设计素材那页更惨。本来是四个色块配颜色名，结果被它拼成了一行：Deep NavyTealSeafoamCream，连空格都没剩下。AI 拿到这份"战果"，估计会以为这是什么新型编程语言。
另外它完全不管版面。标题、正文、页眉、页码全部混在一块，表格直接变文本，图片被忽略，公式变成天书。
代码写得我头大
为了把 OCR 结果转成能看的 Markdown，我手写了快 200 行代码：手动按坐标行分组、处理文本框顺序、拼接段落……一顿操作下来，最多只能说"能跑"。
PP-OCRv4 给我的感觉，就像一个语速极快但有点近视的速记员。
三、DeepSeek-OCR-2：让 VLM 来收拾残局
既然传统 OCR 搞不定语义理解，那就上 VLM（视觉语言模型）。
DeepSeek-OCR-2 走的是另一条路：把 PDF 每页转成图片，直接丢给多模态大模型，让它自己"看"、自己"理解"、自己输出 Markdown。
效果确实好了
同样是那份简历，邮箱终于认对了，JNI 也回来了。更惊喜的是它自动给内容加了 Markdown 结构：## 陈建伟、## 个人优势、## 工作经历，层次分明。还顺手把简历里嵌入的头像图片也提取了出来，在 Markdown 里保留了引用路径。
这感觉像是换了一个会思考的实习生，不再是机械抄写，而是真正在读这份简历。
但速度让我回到了拨号上网时代
两页简历，跑了 25 秒。十页设计素材，将近两分钟。
问题出在它的 vLLM 加速路径在 Windows 上编译失败，只能用 HuggingFace Transformers 路径，逐页串行处理，没有异步队列。RTX 4060 的 8GB 显存被吃掉 6.4GB，基本满载。
DeepSeek-OCR-2 就像一个读得很认真但看得极慢的学霸。
四、PaddleOCR-VL-1.5：两手都要抓
折腾到第三个方案时，我其实有点累了。但 PaddleOCR-VL-1.5 给了我一个惊喜：它的 pipeline 封装得太省心了。
架构设计很聪明
它不做选择，而是全都要：
- 先布局分析（PP-DocLayoutV3）：把页面切成标题、正文、表格、图表、公式、印章等区域，确定阅读顺序
- 再 VLM 识别（0.9B 参数）：每个区域独立送入小模型，生成对应的 Markdown/LaTeX
- 按页面输出结果（脚本已增加自动合并为单文件）
体验出奇地好
两页简历，3-5 秒。十页素材，8-15 秒。速度介于两者之间，但输出质量不输 DeepSeek。
更关键的是它原生支持我前面遇到的所有痛点：
- 公式输出 LaTeX
- 表格输出 Markdown 表格格式
- 图表自动识别并描述
- 印章也能认
- 跨页表格处理（依赖版面分析，未实测验证）
- 不规则文字（倾斜、弯曲）照样检测
代码量也降到了 50 行，pipeline 一行调用：pipeline.predict(pdf)，完事。
另外 paddlepaddle-gpu==3.2.1 是 Paddle 首个支持 Windows GPU 的 3.x 版本，终于不用再被 protobuf==3.20.2 和 numpy<2.0 绑架了。
PaddleOCR-VL-1.5 给我的感觉，像一个经验丰富、手脚麻利的资深助理。
五、实测数据一图看清
一个有意思的发现：PP-OCRv4 的速度优势在复杂页面上会消失。测试了一份超大页面（4768x10761）的 PDF，它跑了 38 秒，因为默认检测边长限制 2048，大页面需要分割处理。
六、那些让我想摔键盘的坑
PP-OCRv4 的五连坑
1. cuDNN 的隐藏依赖
报错 cudnn64_8.dll not found (error code 126)。排查半天发现，cudnn_cnn_infer64_8.dll 依赖 zlibwapi.dll，而 cuDNN 安装包居然没带这个文件。最后从 PyTorch 包里偷了一个放到项目目录，通过 PATH 加载。最坑的是 os.add_dll_directory() 对 Paddle 完全无效，必须用环境变量。
2. CUDA 版本对不上
系统装的是 CUDA 12.8，但 paddlepaddle-gpu==2.6.2 是 CUDA 11.8 编译的。驱动虽然能向下兼容，但运行时库不匹配，报 cublasLt64_11.dll 缺失。最后只能两个 CUDA 版本共存，Paddle 走 11.8 的路径。
3. PaddlePaddle 3.x 没有 Windows GPU
试着手贱升级，结果 PyPI 上 paddlepaddle-gpu 最高只有 2.6.2。官方 CUDA 12 的 wheel 也一样。结论：Windows 用户在此之前被 2.x 锁死了。
4. NumPy 和 protobuf 的版本牢笼
numpy必须<2.0，装 2.x 直接 ABI 报错protobuf必须精确等于3.20.2，多一个小版本都报Descriptors cannot be created directly- 安装时得
--force-reinstall硬降级，满屏红色警告看得人心惊肉跳
5. API 格式突变
paddleocr==2.7.3 返回 list，3.5.0+ 返回 dict。我代码刚按 list 写好，一升级直接 AttributeError。最后只能写兼容逻辑，两边都判断。
DeepSeek-OCR-2 的坑
vLLM 在 Windows 上是个谎言
官方说支持 vLLM 加速，我兴冲冲装完 vllm==0.8.5，结果运行时报 vllm._C 模块未构建——这玩意在 Windows 上需要从源码编译 C++ 扩展，编译失败。最终只能用 HuggingFace Transformers，速度差了好几倍。
PaddleOCR-VL-1.5 的坑
1. 模型下载是个大关
首次运行要联网下载 2-3GB 模型。我在公司跑得好好的，回家想离线用，傻眼了。后来学乖了，先把 .paddlex/official_models/ 整个复制走。
2. 显存不是无限的
8GB 看起来多，但大 PDF（50页+）照样 OOM。不过好在可以 --device cpu 降级，就是速度慢 5-10 倍，至少能跑完。
3. 2.x 和 3.x 不能混用
PP-OCRv4 和 VL-1.5 必须各用各的虚拟环境。我一开始图省事共用 venv，结果 ABI 不兼容，报错信息看得我一头雾水。模型缓存可以共用 ~/.paddlex/，但 Python 包必须隔离。
七、到底该选谁？
折腾完三个方案，我的建议很直接：
选 PP-OCRv4，如果你：
- 只想快速扒文字，不在乎格式
- 显存紧张（比如 4GB 的 GTX 1650）
- 能接受"近视速记员"级别的准确率
- 对延迟极度敏感
选 DeepSeek-OCR-2，如果你：
- 需要高质量的 Markdown 输出
- 想自动提取 PDF 里嵌的图片
- 主要处理单页或少页文档（比如发票、证件）
- 愿意用时间换质量，且显存 ≥ 8GB
选 PaddleOCR-VL-1.5，如果你：
- 要处理复杂文档（论文、报告、扫描书）
- 需要公式、表格、图表、印章全识别
- 不想写太多代码，追求开箱即用
- 希望速度和质量有个平衡
八、写在最后
这次折腾让我明白一个道理：技术选型不是选最好的，而是选最对的。
PP-OCRv4 快但糙，DeepSeek-OCR-2 好但慢，PaddleOCR-VL-1.5 在两者之间找到了不错的平衡点。如果你只是偶尔转一两页 PDF，PP-OCRv4 完全够用；但如果你要让 AI 真正"读懂"一份复杂文档，VLM 方案几乎是必经之路。
另外 Windows 本地跑深度学习真是个修行过程。CUDA 版本、DLL 缺失、Python 包冲突……每一步都可能踩坑。好在这三个方案我都已经调通了，配置好的环境就在各自的目录里，下次重装系统不至于从头再来。