多个榜单登顶、1.2B参数，轻量化TeleOCR解锁文档智能化解析新能力

编辑｜Clio 回顾一下 2026 年的 AI 圈热词：Memory、Skills、Harness、Agentic RL、Latent Reasoning、World Action Model、Self-Evolving……越来越多研究开始把注意力放在模型如何记住信息、调用能力、完成长期任务，以及怎样以更低的计算成本稳定工作。 作为现实信息进入 AI 系统的重要入口，OCR 同样正在经历这样的变化：从识别文字、理解版面，到处理拍摄形变、复杂表格、公式和科学图表，模型需要解决的问题越来越细，也越来越贴近真实场景。 最近，中国电信星辰通用人工智能实验室推出的文档解析模型 TeleOCR 引发关注。它只有约 1.2B 参数，却在多个公开文档解析评测中取得领先成绩：OmniDocBench v1.6 综合得分 96.87，Wild-OmniDocBench 得分 88.53，PureDocBench 三个赛道综合均值 78.41；在 ICDAR 2026 Sci-ImageMiner 科学图表转表格挑战赛中，TeleOCR 还拿下了第一名。 模型目前已经开源， 开发者可以通过 GitHub、Hugging Face 获取相关资源，也可以通过天翼 AI 开放平台直接体验文档解析能力。 近日，TeleOCR 登上 HuggingFace 趋势榜前五。 连 HuggingFace 官方也亲自下场，主动给 TeleOCR 搭了个 ZeroGPU 在线Demo，还补贴了免费算力。 模型调用地址： https://github.com/caipeng328/TeleOCR https://huggingface.co/StarDoc-AI/TeleOCR 模型在线体验： https://www.teleai.com.cn/docparse/documentParsing 这些成绩背后，TeleOCR 面对的已经远远超出「把一页纸上的字认出来」这么简单。真实文档既有规整的电子 PDF，也有存在弯曲、折痕、透视、阴影等问题的拍摄件，页面中还可能同时包含多栏正文、复杂表格、公式和科学图表。 也正是在这些更复杂的场景里，OCR 正在经历新一轮能力升级。 TeleOCR 为什么能以约 1.2B 的体量，在多个文档解析评测中取得领先？它又是怎样处理一张弯曲、折叠甚至被斜着拍下来的纸？ 答案，要从 OCR 今天面对的「新考题」说起。 一页文档，几代OCR在解决不同的问题 想象这样一张普通的文档：一页打印出来的双栏论文，被手机随手斜着拍了一张。页面上有公式、有跨栏表格，右下角还配了一幅折线图。更糟的是，靠近装订线的地方纸张微微卷起，侧面打来的灯光还留下了一块阴影。 人扫一眼就知道怎么看：标题在上面，正文从左栏读到右栏，表格行对应的数字，公式有结构，折线图的走向也一目了然。 但交给机器，过去二十多年里，为了看懂这张纸，OCR 经历了好几轮「考题升级」。 第一题：这里写了什么字？ 最早的一代 OCR，解题思路很简洁：先找文字区域，再把字符一个个认出来。对于扫描件和规则版面，这套方法已经相当成熟，今天的身份证识别、票据录入、书籍数字化，都建立在这一能力之上。 第二题：这些字是怎么组织的？ 就算每个字都认对，机器还得知道左栏读完该跳到右栏、表格里的数字属于哪行哪列、数学符号还原成什么 LaTeX、图下方的文字是正文还是图注。页面里出现了大量二维关系，文档逐渐从「很多字」变成了有空间结构的信息载体。 于是，文档解析逐渐进化成了一条完整流水线：先通过版面分析（Layout Analysis）把标题、正文、图片、表格、公式区域找出来；文字交给 OCR，表格给专门模型，公式进公式模块；最后按阅读顺序拼回一份文档。这套工程思路至今支撑着大量成熟产品，让机器真正理解「什么东西在什么位置」。 第三题：纸张变形了怎么办？ 电子版 PDF 中，文字块和表格往往规整地排列在矩形区域里。但到了真实拍摄环境，情况完全不同：纸张卷曲会把文本行拉成弧线，折痕会造成局部扭曲，斜拍带来透视畸变，光照还可能留下阴影和反光。 这时，模型需要先搞清楚这块内容原本应该在哪里，它和周围内容是什么关系。 也是在这一阶段，视觉语言模型（VLM）开始大举进入文档解析，把文字、图像、版面和结构放进同一套表征里学习。 如果我们把市面上最热的 DeepSeek-OCR、MinerU、PaddleOCR-VL 和 TeleOCR 横向对比，会发现它们在「轻量化」上保持着某种默契，但解题思路又各不相同： • DeepSeek-OCR （3B）锁定「视觉 Token」，重点研究如何压缩海量视觉信息，并优化 Token 处理顺序，让模型更经济、灵活地保留文字和结构；后续的 DeepSeek-OCR 2 更是玩起了 Token 的处理顺序，让模型在面对复杂页面时信息流转更加灵活。 • MinerU 2.5（1.2B）走的是一种直觉拉满的「由粗到细（coarse-to-fine）」路线。先用低分辨率掌握整页宏观布局，再切回原始分辨率解析重点区域，将算力用在刀刃上。 • PaddleOCR-VL（0.9B）延续强工程体系，将轻量 VLM 接入原有系统，主打文档理解能力与成熟 OCR 工具链、SDK 和多语言部署的无缝融合。 • TeleOCR（1.2B） 则直接专注于那张「不平整的纸」。 TeleOCR 沿用了「先理解版面、再解析内容」的解耦式 VLM 思路，但关键在于把物理形变直接打入训练环节。原本规则的矩形框被替换为动态多边形，让模型主动学习控制点与局部扭曲，把弯曲、折痕和透视吸收进视觉理解中。 这种能力最终会落到一些非常具体的场景里。面对弯曲、透视的拍照文档，TeleOCR 需要重新恢复扭曲区域的空间位置；面对跨行跨列和合并单元格，要还原原有的行列关系；公式即使经过拍摄和形变，也要保留符号和语法结构；论文中的折线图、柱状图，还能进一步转换成结构化表格，供程序继续统计和分析。 对大多数业务来说，这些解析结果也不是终点。合同、扫描件、论文和历史档案经过解析后，可以进一步转换成 Markdown、HTML、LaTeX 等结构化格式，进入企业文档系统、数据库和自动化流程。尤其是在知识库和 RAG 场景中，原生 PDF、扫描件和拍照档案只有先被整理成结构清晰、阅读顺序可靠的语料，后续的切片、检索和问答才有更可靠的数据基础。 这些能力最终还需要通过不同类型的公开评测来验证。再回头看 TeleOCR 跑的这几项测试，覆盖了文档解析从「标准环境」走向「真实世界」的几道关键关卡：OmniDocBench 考数字文档基础，Wild-OmniDocBench 引入弯曲、透视与强光，PureDocBench 拆分各类退化场景，ICDAR 2026 则要求从科学图表中提取数据。 当场景从数字原生延伸至移动实拍，几何形变成了新的考点。 TeleOCR 的定位就在这里：用同一套模型，既能处理规整的数字文档，也能应对复杂的现实实拍。 至于这套本领到底是怎么教给模型的？接下来，我们要翻开 TeleOCR 的技术底牌了。 TeleOCR 给纸张增加了一点「空间感」 人类大脑天生自带「几何矫正器」。纸张弯了一点、透视拉陡了一点、