iconicompany
Назад в блог

/ru/blog · материалы

OCR и VLM 2026: кто лидирует в распознавании документов

Обзор современных моделей OCR и визуально-языковых моделей (VLM) для работы с документами: DeepSeek-OCR 2, Step3-VL-10B, PaddleOCR-VL-1.5 и GLM-OCR.

Авторы: slavb18
  • AI
  • OCR
  • VLM
  • DocumentAI

Последние несколько месяцев индустрия OCR и визуально-языковых моделей (VLM) переживает настоящий бум. Кажется, едва успеваешь разобраться с одной новинкой, как выходят сразу несколько новых игроков. Мы собрали свежий обзор и сравнили самые интересные модели, чтобы понять, кто реально достоин вашего продакшн-пайплайна.

1. DeepSeek-OCR 2

🐋 DeepSeek-OCR 2 - это 3B модель, ориентированная на сложные документы и OCR с пониманием структуры. Главная инновация - DeepEncoder V2, который работает почти как человек: сначала формируется глобальное понимание изображения, а потом выстраивается логический порядок чтения.

Плюсы:

  • Отлично справляется со сложными макетами, таблицами, подписями и структурированным текстом
  • На ряде бенчмарков обходит Gemini Pro
  • Можно запускать локально и дообучать через Unsloth

Минусы:

  • Размер модели 3B → выше требования к GPU для высокочастотного инференса

Лицензия: Apache 2.0 Ссылки: Hugging Face | Документация

2. Step3-VL-10B

🌟 Step3-VL-10B от Stepfun.ai - пример компактной, но "жирной" VLM. Всего 10B параметров, но она претендует на соперничество с моделями в 10-20 раз больше, включая Gemini 2.5 Pro и GLM-4.6V.

Особенности:

  • Визуальный энкодер 1.8B + Qwen3-8B декодер
  • Обучение на 1.2 трлн токенов с RLVR+RLHF
  • Высокие результаты по OCRBench и бенчмаркам математических задач

Минусы:

  • Для топовых цифр PaCoRe = 16 параллельных роллаутов → x16 вычислительных ресурсов
  • OCR - лишь часть возможностей, основное - VLM

Лицензия: Apache 2.0 Ссылки: vLLM / OpenAI-compatible API

3. PaddleOCR-VL-1.5

🐼 PaddleOCR-VL-1.5 - компактная модель (0.9B), оптимизированная под "полевые" условия. Кривые сканы, бликовые фото и мятые страницы - модель учли это в обучении.

Особенности:

  • OmniDocBench v1.5 - 94.5% точности
  • Text spotting, распознавание печатей, склейка таблиц между страницами
  • Поддержка редких языков, тибетского и бенгальского
  • Простая интеграция через transformers, Docker и Paddle

Минусы:

  • Рукописный текст пока плохо
  • Постраничный разбор через transformers ограничен

Лицензия: Apache 2.0 Ссылки: Hugging Face | GitHub

4. GLM-OCR

📄 GLM-OCR - мультимодальная OCR-модель на 0.9B параметров. Основана на GLM-V с CogViT визуальным энкодером и GLM-0.5B декодером. Поддерживает layout analysis через PP-DocLayout-V3 и параллельное распознавание.

Плюсы:

  • OmniDocBench v1.5 - 94.62% (#1)
  • Поддержка таблиц, формул, печатей и code-heavy документов
  • Инференс быстрый: vLLM / SGLang / Ollama
  • SDK и простая интеграция, open-source

Минусы:

  • JSON schema для Information Extraction требует строгого соблюдения

Лицензия: MIT (layout - Apache 2.0) Ссылки: Hugging Face | GitHub

Сравнительная таблица

Модель Параметры Основной фокус Бенчмарк OCR / Doc score Лицензия Деплой
DeepSeek-OCR 2 3B OCR + структура OCRBench +4% к v1, обходит Gemini Pro Apache 2.0 HF, Unsloth
Step3-VL-10B 10B Универсальная VLM OCRBench 86.75 Apache 2.0 vLLM, OpenAI-API
PaddleOCR-VL-1.5 0.9B OCR в поле OmniDocBench v1.5 94.5 Apache 2.0 Paddle, Docker
GLM-OCR 0.9B OCR + IE OmniDocBench v1.5 94.62 (#1) MIT vLLM, SGLang, Ollama

Итоги

  • По OmniDocBench лидеры: GLM-OCR (94.62%) и PaddleOCR-VL-1.5 (94.5%)
  • Самые лёгкие и быстрые для продакшн: PaddleOCR-VL-1.5 и GLM-OCR
  • Самые "умные" архитектурно: DeepSeek-OCR 2 с DeepEncoder V2
  • Самая универсальная VLM: Step3-VL-10B (OCR лишь часть возможностей)

OCR и VLM достигли зрелости, позволяя внедрять распознавание документов в реальные продакшн-сценарии: от таблиц и формул до многостраничных PDF с кодом и печатями. Гонка за скорость, точность и "понимание" документов продолжается.

📚 Читайте также

Назад в блог