当今世界前十 OCR 横评：开源、云服务与视觉大模型三派之争
Tesseract / PaddleOCR / Surya / EasyOCR / RapidOCR / Google Document AI / AWS Textract / Azure Document Intelligence / 百度云 / 视觉大模型，10 个方案的定位、强弱与选型建议——以及「识别」正在被「理解」取代的趋势。
OCR（光学字符识别）这个领域，这几年被多模态大模型搅得天翻地覆： 一边是开源方案在精度和速度上卷出新高度，一边是视觉大模型把"识别文字"变成了原生能力。 这篇横评选取当今最具代表性的 10 个 OCR 方案，分成三个阵营——开源本地、云服务 API、视觉大模型——每个方案都给出可查证的实时数据： GitHub 星数、版本、语言覆盖、基准分数、价格。文末附按需求选型的对照表。
数据说明：GitHub 星数、版本、模型信息为撰写当日实时抓取；价格为官网公布的刊例价（美元）。基准分数来自各项目官方公布的评测，测试集不同，横向比较仅供参考。
一、阵营总览：10 个方案一张表
| 方案 | 阵营 | 星数/版本 | 语言覆盖 | 一句话定位 |
|---|---|---|---|---|
| Tesseract | 开源本地 | 75.8k star，v5 | 100+ 语言 | 服役 40 年的开源常青树 |
| PaddleOCR | 开源本地 | 87.4k star，PP-OCRv6 | v6 单模型 50 语言，VL 109 语言 | 中文识别事实王者，文档理解全家桶 |
| EasyOCR | 开源本地 | 29.9k star，v1.7.2 | 80+ 语言 | 上手最简单的 PyTorch OCR |
| Surya OCR | 开源本地 | 21.2k star，Surya 2 | 90+ 语言（91 实测） | 版面识别是新强项 |
| RapidOCR | 开源本地 | 7.4k star | 中英默认，其余见文档 | PaddleOCR 模型的轻量 ONNX 部署版 |
| AWS Textract | 云服务 | — | 多语言 | 表单/表格/键值对结构提取标杆 |
| Azure Document Intelligence | 云服务 | — | 多语言 | 微软文档智能，预置模型最多 |
| Google Document AI | 云服务 | — | 多语言 | Google 全家桶，可定制解析器 |
| 百度云 OCR | 云服务 | — | 中文专项最全 | 证件/票据专项接口最多的国产云 |
| 多模态视觉大模型（Gemini / Qwen-VL / GPT-4o） | 视觉大模型 | Qwen3-VL 最大 235B-A22B | Qwen3-VL 32 语言 | 把 OCR 变成"看图说话"的原生能力 |
二、开源本地派：免费、可控、数据说话
1. Tesseract —— 40 年的开源常青树
75.8k star，1980 年代诞生于惠普、后来由 Google 主导开发， 当前稳定版是 v5（2021 年 11 月发布 5.0.0）。采用 LSTM 神经网络引擎，开箱即用支持 100+ 语言，是无数项目的默认选择。 输出格式极其丰富：纯文本、hOCR、PDF（含不可见文本层）、TSV、ALTO、PAGE 一应俱全。
强：完全免费、无网络依赖、语言覆盖最广、生态最成熟、Apache 2.0 可商用。弱：官方 README 不公布任何精度基准——对复杂版面、手写体、低清晰度图片吃力， 中文精度与专用方案差距明显。适合：本地批量处理、隐私敏感、对精度要求不极致的场景。
2. PaddleOCR —— 中文识别的实际王者
87.4k star，是这份榜单里 star 数最高的开源 OCR。百度开源， 迭代速度极快，撰写时的最新模型是 PP-OCRv6（PaddleOCR 3.7.0，2026-06 发布）： 单模型统一支持 50 种语言（中文、英文、日文 + 46 种拉丁文字）， 中档模型 34.5M 参数。官方给出的硬指标：
- 检测 +4.6%、识别 +5.1%（相对 PP-OCRv5 中档模型）；
- 官方宣称在基准上超过 Qwen3-VL-235B、GPT-5.5；
- CPU 提速 5.2×（OpenVINO）、Apple M4 上 6.1×、A100 GPU 上单张 0.13 秒；
- 多语言模型覆盖 109 语言、仅 2M 参数；
- 旗舰的 PaddleOCR-VL-1.6（视觉语言模型）在 OmniDocBench 上 96.3%（V1.5 为 94.5%）。
还附带版面分析、表格识别、公式识别、印章识别、古籍/生僻字识别，甚至支持 浏览器端推理（PaddleOCR.js）和 MCP server。强：中文精度顶尖、文档理解全家桶、支持微调、多端部署。弱：依赖较重，部署比 Tesseract 复杂。
3. EasyOCR —— 十分钟跑起来的入门选择
29.9k star，最新 v1.7.2（2024-09）。基于 PyTorch，支持 80+ 语言，覆盖拉丁、中文、阿拉伯、天城文、西里尔等主要书写系统。 检测用 CRAFT 算法、识别用 CRNN（ResNet/VGG + LSTM + CTC）。 每个结果都带边界框坐标、识别文本和置信度，API 极简。
强：上手成本最低、多语言、可训练自定义模型、有 Docker。弱：官方不公布精度基准，速度偏慢，大图内存吃紧。 适合：快速验证、教学 demo、原型阶段。
4. Surya OCR —— 新一代开源，版面识别是强项
21.2k star，当前主版本 Surya 2：一个约 0.65B 参数的 视觉语言模型，同时承担 OCR、版面分析、阅读顺序、表格识别（91 种语言）。 官方公布了两组硬基准：
- olmOCR-bench：83.3%，官方称"3B 参数以下最强"—— 对比：Infinity-Parser2-Pro 87.6%（35.1B）、Chandra OCR 2 85.9%（4.0B）、olmOCR 77.4%（8.3B）；
- 多语言总体通过率 87.2%（91 语言），其中 38 种 ≥90%、76 种 ≥80%； Top3：意大利语 93.0%、英语 92.3%、西班牙语 90.7%；
- 吞吐量：RTX 5090（vllm）5.35 页/秒、12,884 tokens/s；Apple Silicon 0.108 页/秒（约 30W）。
还支持公式识别（输出 KaTeX 兼容 LaTeX）和独立的 OCR 错误检测模型。 注意许可：代码 Apache 2.0，但权重是修改版 OpenRAIL-M—— 年收入 500 万美元以下免费（研究/个人/初创），商用超限需 Datalab 授权。强：版面理解出色、有实测基准、低参数量高分。弱：模型较大吃资源，权重许可有商用限制。
5. RapidOCR —— 轻量部署的实用主义
7.4k star。把 PaddleOCR 的模型转成 ONNX，去掉 Paddle 框架依赖， 换来更小的体积和更简单的部署。支持 ONNX Runtime、OpenVINO、MNN、TensorRT、PyTorch六种推理引擎，Python/C++/Java/C# 都有绑定，可离线部署，全部有 Docker。 默认支持中英文，其余语言见文档。
强：部署极简、跨语言、CPU 可跑、精度继承 PaddleOCR、Apache 2.0。弱：功能是 PaddleOCR 的子集，微调不如原生方便。 适合：要中文精度又要轻量部署的桌面端、边缘端应用。
三、云服务派：精度、结构、省心
6. AWS Textract —— 表单和表格的结构化之王
AWS 的 OCR 服务，最大卖点是结构化提取：把表单里的键值对、表格里的行列、 手写文字抽取成结构化 JSON。官方价格（美西俄勒冈，按页计费，前 1M 页档位）：
| 功能 | 前 1M 页单价 | 1M 页后 |
|---|---|---|
| Detect Document Text（纯 OCR） | $0.0015/页 | $0.0006/页 |
| Analyze Document – Tables | $0.015/页 | $0.010/页 |
| Analyze Document – Forms | $0.05/页 | $0.04/页 |
| Analyze Document – Signatures | $0.0035/页 | $0.0014/页 |
| Analyze Expense | $0.01/页 | $0.008/页 |
| Analyze ID | $0.025/页 | $0.01/页 |
| Analyze Lending | $0.07/页 | $0.055/页 |
新用户有 3 个月免费额度（Detect Text 1000 页/月、Forms/Tables 100 页/月、Lending 2000 页/月）。强：表单/表格/键值对提取标杆、AWS 生态集成、API 稳定。弱：结构化功能单价高（Forms 比纯 OCR 贵 30 多倍）、中文支持略逊国产方案。 适合：发票、保险、抵押贷款等"表单密集"业务。
7. Azure AI Document Intelligence —— 预置模型最多的文档智能
前身是 Form Recognizer，免费层（F0）每月 500 页，S0 起按每 1000 页计费。 预置模型覆盖文档、版面、收据、发票、身份证、W-2、1098 税表、健康保险卡、合同等， 自定义分类/提取模型训练前 10 小时免费、之后 $3/小时。 （注：Azure 定价页的价格为动态占位符，实际单价需用官网定价计算器查询。）
强：预置文档模型最全、Office 生态集成、自定义训练方便、可容器化部署。弱：免费层不含 premium 功能、中文专项不如国内云。 适合：企业合规文档、RPA 自动化、微软生态重度用户。
8. Google Document AI —— 全家桶式文档理解
Google 的文档理解服务，分 OCR 处理器（基础文字识别）和表单解析器、自定义提取器（结构化提取）两层，文档解析器可针对自己的 文档类型训练。对 Google 生态（Drive、BigQuery、Vertex AI）的整合是它最大的差异化。
强：精度稳定、解析器可定制、和 Google 数据栈无缝、新项目每月有免费配额。弱：解析器配置有学习曲线、结构化提取单价高。 适合：数据已在 Google Cloud、需要规模化文档处理的团队。
9. 百度云 OCR —— 中文专项最全的一站式
国内云厂商里 OCR 产品线最全的之一：通用文字识别之外，还有身份证、银行卡、 发票、营业执照、行驶证、增值税发票等大量专项识别接口，直接返回结构化字段， 且有免费调用额度、国内访问快。阿里云、腾讯云也有同类产品，以百度为代表。
强：中文证件/票据专项最全、开箱即用、有免费额度、国内访问快。弱：数据要过云厂商，涉密场景要注意；外语识别一般。 适合：国内业务、证件核验、票据自动化。
四、视觉大模型派：OCR 正在被"看图"取代
10. 多模态视觉大模型 —— Gemini / Qwen-VL / GPT-4o
通用视觉大模型的原生 OCR 能力，已经在许多场景追平甚至超过专用 OCR。 它们不"识别"文字，而是"理解"整张图——文字、版面、语义一起消化。 以 Gemini 为例，官方定价（每百万 token，图像输入按文本同价计费）：
| 模型 | 输入（文本/图像） | 输出 |
|---|---|---|
| Gemini 2.5 Flash | $0.30 / 百万 token | $2.50 / 百万 token |
| Gemini 2.5 Pro | $1.25 / 百万 token（≤200k 上下文） | $10.00 / 百万 token |
| Gemini 2.5 Pro Batch | $0.625 / 百万 token | $5.00 / 百万 token |
开源侧，Qwen3-VL（Apache-2.0）提供从 2B 到 235B-A22B（MoE）的完整梯度， 原生 256K 上下文（可扩到 1M），支持 32 种语言的 OCR。GPT-4o 系列也是同价位区间的闭源选择。
强：复杂版面（图表、公式、手写、扫描件混排）表现顶级、理解语义、 不用单独调 OCR 服务、能直接输出结构化结果。弱：大批量时按 token 计费成本失控、延迟高、 对"像素级精确"（如细密表格）偶尔反而出错。 适合：复杂文档、罕见文字、需要语义理解的场景。
五、怎么选：按需求对号入座
| 你的需求 | 首选 | 关键数据支撑 |
|---|---|---|
| 免费、本地、隐私敏感 | Tesseract | 100+ 语言，Apache 2.0 |
| 中文为主、要精度 | PaddleOCR | PP-OCRv6，中文全家桶 |
| 中文 + 轻量部署 | RapidOCR | ONNX 多引擎，CPU 可跑 |
| 复杂版面：扫描书、多栏 | Surya OCR | olmOCR-bench 83.3%（<3B 最强） |
| 快速原型 / demo | EasyOCR | 80+ 语言，API 最简 |
| 发票、表单、键值对 | AWS Textract | Forms $0.05/页，结构提取标杆 |
| 预置文档模型最全 | Azure Document Intelligence | 9 类预置模型，500 页/月免费 |
| 国内证件、票据专项 | 百度云 OCR | 专项接口最全，免费额度 |
| 复杂文档 + 语义理解 | Gemini / Qwen3-VL | Flash $0.30/M token，Qwen3-VL 开源 |
| 超大批量、要最便宜 | 开源本地 + 蒸馏 | 边际成本趋近于电费 |
我的收获
- 开源派的内卷已经白热化——PaddleOCR 87.4k star 把中文卷到 OmniDocBench 96.3%， Surya 用 0.65B 参数打出 83.3% olmOCR-bench，还在拼 <3B 参数档位。免费方案的精度已经逼近甚至反超云服务。
- 价格结构决定了架构——云 OCR 按页收、视觉大模型按 token 收、开源本地按电费收。 量越大，越该往开源本地挪；这也是很多生产系统最终是"开源识别 + 大模型兜底"混合架构的原因。
- 视觉大模型正在改写规则——Gemini 图像输入和文本同价、Qwen3-VL 把 235B 级模型开源， 这让"理解式 OCR"的成本曲线急速下移。专用 OCR 的护城河，正在从"认得准"收缩到"快、稳、便宜、像素级精确"。
- OCR 的价值在下游——真正拉开差距的不是谁认得更准，而是谁让结果直接可用： 结构化字段、版面理解、与 RAG/Agent 流水线的衔接。这和站里RAG 那篇是同一件事：识别只是入口，提取和利用才是价值所在。
OCR 把纸面内容变成文本，RAG 把文本变成可检索的知识—— 两篇连起来读，正好是一条完整的"从纸张到知识库"的流水线。