Mistral OCR 4 说盲测 72% 超竞品，百度 DSC 用 AI 识别 800+ 数据类型。一个在读文档，一个在识别数据。这个对企业是真刚需。我们这种被 PDF、Word、历史资料、合规字段埋过的人最懂，AI 不怕不会做md总结，最怕材料还没吃进去就先噎死。老旧文档入口一旦打通，很多办公室体力活就开始进入倒计时。

多数人觉得 OCR 卷到头了，无非拍照转文字。但腾讯混元刚开源的 HyOCR-1.5 跳出了这套路子——1B 参数纯视觉端到端模型，在 OmniDocBench v1.6 上以 94.74 分拿下端到端第一，推理速度还提了 6.37 倍。 传统 OCR 流水线要拼接检测、识别、版面分析多个模型，慢且重。HyOCR-1.5 一个模型端到端输出，还用了 DFlash 投机解码：并行猜测多条解码路径，快速筛最优结果，让推理大幅加速。在 Transformers 上快 6.37 倍，vLLM 快 2.14 倍，最后单页文档端到端推理只要 1.408 秒。原先处理百页要几分钟，现在半分钟搞定，成本跟着跳水。 更关键的是全栈开源。模型权重、训练代码、推理流程全部开放，没有 API 调用费，数据不离开本地。对天天要处理合同、发票、古籍的团队来说，这种又快又省还不泄露数据的方案，每月可能省出一个人力成本。 它的适用面也没局限在中英文。通过 Agentic Data Flow，HyOCR-1.5 扩展到了 331 种语言、古文字识别，还能做多图问答。128K 上下文窗口加上 4K 分辨率，长图、竖排文档都能直接处理，不用切块、不用额外对齐。 当然，开源不等于「无脑能用」。虽然 1B 参数消费级显卡就跑得动，但装环境、跑 Demo 还是需要一点技术底子。社区已经有热心人封装一键包，不过暂时不够傻瓜化；追求「上传即得结果」的朋友，可以蹲一下腾讯混元后续的云服务。 但我觉得，这款模型最大的价值不是技术指标——而是它把「高质量、低成本、全栈可控」这三件事同时装进了一个能跑在任何机器上的 1B 小模型中，让普通团队也能用上以前大厂才烧得起的 OCR 能力。开源给了杠杆，试错的门槛已经很低。 怎么踩上这个杠杆？👉 普通用户：关注腾讯混元公众号，先看技术细节，把云服务上线消息存下来。开发者：去 GitHub 搜 JevenYu/HyOCR，拉模型跑 Demo，立刻替换掉项目里那条慢速 OCR 管道。产品经理/创业者：拿几张你最痛苦的文档测一测速度、精度和成本，说不定下一个垂直文档处理工具的原型就出来了。

可以跑在浏览器器的 OCR 模型： PP-OCRv6 它的 Tiny 版本只有 1.5M 参数， 专门面向浏览器和边缘设备场景做了优化， 可以基于 ONNX Runtime Web 在浏览器端直接运行， 用 Electron 做客户端的朋友，这个方向可以冲一波了

兄弟们，我一直有个判断：OCR 这种活，早晚会被多模态大模型给吃掉。 这周看到百度发的 PP-OCRv6，我改主意了。 一个 1.5MB 的模型，能直接塞进浏览器里跑，单图最快 97 毫秒就能出结果，逐字识别的准确率还反超了 GPT-5.5、Gemini-3.1-Pro 和 235B 参数的 Qwen3-VL，我有点震惊了！ 对做产品的人来说，这比「又一个 SOTA」重要得多。我有测试，先往下看 👇

给大模型喂 PDF 文档，常见做法是先跑 OCR 再提文字，但实际上有一半多的 PDF 本来就是文字版，根本不需要 OCR。 Firecrawl 团队最近开源的 pdf-inspector，能自动判断 PDF 是文字版还是扫描版，文字版的直接提取并转成 Markdown。 最快 200 毫秒内提取完成，支持表格检测、多栏排版识别、标题层级还原，输出的 Markdown 结构干净。 GitHub： 提供 Python、Node.js、Rust 和浏览器端四套接口，浏览器里通过 WebAssembly 直接跑，不用后端服务。 做文档处理相关开发的朋友，拿来做 PDF 前置分类和提取挺合适的。

杨立昆都转发了！ Unlimited-OCR 为什么这么火？ 百度的 Unlimited-OCR 再次冲上 HuggingFace 趋势榜，目前全球第三，又一次排在 GLM-5.2 前面。 上个月它横扫 GitHub、HF 四榜第一，我以为这波热度就过去了，结果图灵奖得主一转发，又把它送回了前三。 GitHub star 破 1.65 万，HF 下载 224 万，还在涨。 传统 OCR 有个老毛病：把文档一页页切开处理，跨两页的表格直接断掉，阅读顺序也丢了。 Unlimited-OCR 用 R-SWA 机制，几十页文档当一个整体连续解析，解码时 KV Cache 恒定——文档再厚，显存占用不涨。 海外博主 Mario Nawfal 实测：100 页 PDF 一次解析完，40 页之后错误率还在 0.11 以下，其他 OCR 到这个长度已经干不动了。 3B 参数，自己电脑就能跑，关键免费。 如果你经常要处理几十上百页的 PDF——论文、合同、扫描件，以前要么手动切页，要么掏钱买 OCR SaaS，现在这两样都省了。 项目地址👇 HuggingFace： #无限OCR# #UnlimitedOCR# #百度# #文心大模型# #文心#

如果你经常需要处理各类文档，或者想把文档内容喂给 AI 做进一步分析 开源项目 Zerox OCR 它把 PDF、Word 等文档转成图片序列，让视觉模型“看图说话”，输出 Markdown 这样既提高了文字识别准确率，又保留了表格和图表格式 工作流程很直接：上传文档，转为图片，每张图交给视觉模型识别，汇总 Markdown 支持 PDF、DOCX、Excel、PPT 等几十种格式 你能接入 OpenAI、Azure、AWS Bedrock、Google Gemini 等多家模型服务商，还能自定义提示词和数据提取规则 内置的结构化数据提取功能，可以按你定义的 JSON Schema 直接从文档中抽取信息，不用再手动整理。 GitHub