TL;DR
本文主要从使用的角度，通过两个实例（建筑预缴凭证以及带公式的文章）使用MinerU、DeepSeek OCR、Baidu PaddleOCR-VL做个简单的测试对比，实际观察一下现在这些主流OCR产品的实际效果。
并基于我在建筑行业的经验分析一下在行业使用的场景。
让我们开始吧！
21年左右，由于工作关系，OCR是我非常关注的一个领域。原来在工作中，曾经将发票、送货单、预缴凭证、手写凭证等扫描到系统中，方便进行系统管理。
当时测试了阿里、百度、腾讯的各种OCR工具，各有千秋，但是又都不能尽如人意。识别率最好的是增值税发票，因为增值税发票的格式最清楚，而且增值税发票差不多都是机打，票面很整齐。不过，其它的一些非标单据识别率就非常差。
虽然为业务人员提供了一些方便，但是并没有起到让人眼前一亮的效果。
Deepseek OCR 和 Baidu PaddleOCR-VL
最近几天又被DeepSeek刷屏了，这次是因为它发布了一款新的模型 DeepSeek OCR，在行业内又引起了极大的关注。
这款模型只有3B参数，各路试用视频效果吹爆。当然，还有它的创新性的利用上下文光学压缩(Contexts Optical Compression)技术。
而在关注DeepSeek OCR的同时，又发现在在16号百度也发而了Paddle OCR的最新版本 V3.3.0，而这个版本的核心组件为 PaddleOCR-VL-0.9B，这是一种紧凑而强大的视觉语言模型（VLM），它由 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型组成。
这个模型的参数更小，只有0.9B，而由于Paddle从2020年开始就专注于OCR相关的领域，现在与大模型结合起来，直到的效果会更加炸裂！
下面是OmniDocBench v1.5的评测结果：
在它发布的时候(10月16日)，DeepSeek OCR还没有发布，所以在榜单上还没有DeepSeek OCR的身影。
在上表中，有我现在用得比较多的 MinerU，我原来觉得MinerU是最好的PDF以及图片的识别工具，而PaddleOCR-VL在评测中的表现甚至比MinerU还要好！！
由于各路技术分析的文章和视频已经非常多，我就从我原来的工作中找两个场景将这三者做一个初步的对比，看看他们实情的表面怎样。
MinerU vs Deepseek-OCR vs PaddleOCR-VL简单测试
测试环境准备
由于Paddle只有0.9B，于是在自己的电脑上(Macbook Pro M3)试了一下，简单的OCR识别是可以运行的速度也还算可以，但是如果要生成结构化的markdown格式的文件的化，就会报segmentation fault。看起来，虽然参数小，但是要顺畅使用，对资源的要求还是比较高的。
为了让测试顺利进行，三个软件的运行环境如下：
1. MinerU：本地安装的MinerU APP，平时做较大文件的识别没有太大问题。但是如果自己部署的话，恐怕也需要必要的资源。(现在MinerU的官网有免费的额度，大家需要的话可以到官网去看看) 2. PaddleOCR: 使用HuggingFace上的Demo(https://huggingface.co/spaces/PaddlePaddle/PP-OCRv5_Online_Demo) 3. DeepSeekOCR: 使用HuggingFace上的Demo(https://huggingface.co/spaces/khang119966/DeepSeek-OCR-DEMO)
使用Hugging Face上的Demo，好处是免费，而且是运行在GPU环境上，但是也正因如此，有时会需要排队处理。
建筑预缴凭证
建筑预缴凭证是在建筑行业广泛使用到的一种税务凭证，一般在当地税局打印或复印，然后业务人员扫描或拍照提交给总部，总部进行处理。
这些凭证有时的效果会非常差，我们原来在系统中添加这块时，识别的成功率达不到要求，如下面这张凭证：
这张凭证有如下的一些问题：
1. 整个图片是斜的 2. 上面的字并不十分清晰 3. 在中间 税款所属时期的栏目，下面的内容是分行的。原来因为这个原因导致过很多识别失败。
MinerU的识别效果
所有主要信息识别都是非常准确的。
但是也有一些问题：
1. 编号没有识别出来。 2. 下面的一些信息没有识别出来。(不过这个可能与MinerU对头尾的处理相关)
MinerU的优点是，可以导出多种格式：
Deepseek OCR的识别效果
可以看到下面对图片上的信息进行了分块处理，但是由于Demo中没有markdown格式的预览，把它的内容拷贝出来，在vscode中通过预览展示出来如下：
(可能也是Demo的问题)上面的图片没有单独整理出来。不过，有一个最大的问题，是凭证中的项目总共有四项，只识别出三项。
这个还是要找机会本地部署后再深入测试才行，使用这个Demo只能看到一些简单的效果。
Baidu PaddleOCR-VL的识别效果
从对识别分区的显示上看，也很清晰。
而在HuggingFace这个Demo中有预览的功能，效果非常好。
如下的源文件，可以看到，它确实识别并另存为一张图片：
这对技术人员就非常友好了！所有的信息识别得非常完整！！
带数学公式的图文
这张图片是PaddleOCR源代码包中的一张测试图片，
它是包含文字加公式的教科书，其中的微积分公式非常复杂。
MinerU的识别效果
图片和数学公式都没有问题，标红的那些复杂公司识别的也很准确，效果还不错！
Deepseek OCR的识别效果
在HF的demo中，由于Markdown的预览做得不好，在Text Result那里只显示了markdown原文，但是在下面的图形分割显示中可以看到模块的切分是非常准确。
将markdown原文在vscode中预览后，看到的情况如下：
对数学公式的解析是没有问题的。
Baidu PaddleOCR-VL的识别效果
再看看PaddleOCR-VL的情况，它对模块的识别也非常准确：
再看看markdown预览的情况，
大段大段的文字和复杂的数学公式的识别非常准确。
小小的总结
MinerU
是我自己使用最多的识别工具，因为它可以本地安装使用，非常方便。在转换时，它应当是访问了后台的服务进行处理的，所以速度非常快。（这样是在白嫖MinerU服务器的算力吗？），它生成的结构也可以直接拿来使用，如下：
• xxx_origin.pdf：原始文件 • full.md：转换后的markdown全部内容 • images：在转换中文档中图片都会放在这里 • layout.json：页面布局文件，就是上面那些标红的模块信息，在MinerU中显示控制使用
Deepseek OCR
虽然它名字叫OCR，但是它的意义其实是超越OCR这块场景的，毕竟它创新的上下文光学压缩(Contexts Optical Compression)，可能会带来对大模型Token管理方式的变革，从而大大减少Token的数量以及历史的保存方式。
现在这个版本是第一版，很快应当会有一些更新，并会带来更多的跟随者。
具体的技术分析可以看这篇：全新开源的DeepSeek-OCR，可能是最近最惊喜的模型。
Baidu PaddleOCR-VL
从这次体验的感觉看，这可能是百度系最靠谱的一个产品！
它经过多年积累并结合现在的模型发展，在OCR领域的识别能力上有了大幅度提升。
从它的结构看，基本上涵盖了OCR使用的绝大部分场景：
而这个VL后面的模型也只有0.9B，这使得部署的成本更低，应用场景非常广泛。
具体的技术分析可以看这篇：只有0.9B的PaddleOCR-VL，却是现在最强的OCR模型。
使用场景的畅想
以我自己比较了解的建筑行业为例，在项目部的配置中资料员是非常关键的岗位，这就是因为项目周期长，在过程中会产生大量的文档，包括施工计划、联络单、申请单、结算单、图纸、劳务合同、工人劳动合同、身份证件等等等等。
在日常管理工作中，资料员需要对这些资料分门别类，放在不同的文件夹中，所以每个项目部都需要准备一个大的文件柜存放这些资料。
按建筑法规的规定，项目中的资料按不同的类别需要有不同的保存年限，所以不仅项目期间，在项目完成后这些资料还需要保存一段时间（有些关键资料是以年计）。
看看下面这种情况：
而这些资料有很多是根据模板填写的，现在有些项目部会配有一个扫描仪，可以将纸质的文档扫描为图片，保存在电脑中，结果资料员电脑里的图片文件夹就是现实文件柜的翻版。
不论纸质资料也好，图片资料也好，最大的问题还是不好检索。有些资料员细心，在扫描时对文件名有一些的规划，可以按文件夹或文件名查找，但是还是会涉及大量的工作。
而选择合适的OCR工具，则可以更进一步，在扫描成图片时，可以进入解读文件内容并进行总结，保存。
而OCR工具的改进带来得主要好处：
• 识别率的提升，为日常工作带来了极大便利，产品在应用中不是让一线人员去适应，而是真正能帮助他们减少大量重复性工作量 • 通过OCR工具转换后的，除了电子文件的进一步生成，还可以形成内容的摘要等元数据，方便以后的资料检索 • 在企业内部进一步完善资料管理规则后，所有的电子文档可以在处理过程中按企业的要求进行命令、整理、保存。原来的纸质文档只能保存在项目部，总部需要检查也大多是走马观花，而旦有效电子化，那么整个管理体系可以更加完善
另外，建筑企业会涉及大量的财税处理，现在有了数电发票，但是还有大量的凭证(如本文中的预缴凭证等)需要处理，如果这些都能通过OCR进行结构化，那么这肯定是行业AI应用的一个有用场景。
