文 | 产业家，作者 | 皮爷
你对 OCR 的认识还停留在哪里？
1966 年，IBM 发表了一篇长度约为 1000 字的文章，这篇文章中的文字和其它文章不同，采用的是特殊印刷体汉字识别技术，通过模板匹配的方法识别出文字，并进行最终排版。这就是 OCR 技术的第一次应用。
从 19 世纪 60 年代到如今，人们对 OCR 的最主要印象恰是如此，即文字识别。这种能力被广泛应用到一系列工作和产业场景，帮助人们把静态的生产资料转化为可交互、可编辑的数字资料。
但如今，这个“ 信息转化” 的技术又迎来新的变化。
就在上周过去的 9 月 10 日，一篇名为 PP-OCRv5 技术博客文章登顶 Hugging Face 博客热度榜第一，这个模型技术以仅为 0.07B 的极致轻量化模型体积做到整体识别精度达到 SOTA 水平。在多项 OCR 场景测试中，PP-OCRv5 的表现甚至超越 GPT-4o、Qwen2.5-VL-72B 等通用视觉大模型。
这个登顶不难理解。千分之一的参数量、足够 SOTA 的效果、轻量级部署…… 这几个反差足够吸引广大开发者成为源源不断的“ 自来水”。 据了解，截至目前，这个由百度飞桨团队发布的技术 Blog 已经连续一周霸榜 Hugging Face 博客热度。
此外，在 9 月 18 日，在 PP-OCRv5 的热度加持下，PaddleOCR 项目也更登上了 GitHub 全球总榜 trending 榜。
实际上，OCR 的重要性在今年已经成为一个共识。即在各个基座模型厂商和 AI 服务商的模型产品中，OCR 能力往往都被嵌入进新的模型服务中，以标配技术的形式为企业提供服务。
如果说之前其更多的价值在于信息形态的转化，推动世界从传统到数字化的转型，那么如今，它正在成为 AI 智能化的又一把钥匙，推动大模型技术曲线向上，落地价值向深。
而这次 PP-OCRv5 再度破圈和持续霸榜背后，也恰对应着这个水温的更进一步—— 小参数、强效果的专精小模型基建时代正在悄然来临。
一、OCR，正在成为 AI 战场的新明珠
“ 现在基于多模态识别可以帮助企业构建更好的 RAG 能力，让模型在企业内部落地效果更好。” 一位云厂商 Agent 平台相关负责人告诉产业家，“ 在大部分企业内部，图像等多模态数据才是主要数据形态。”
这番对话发生在刚刚过去的 8 月。在过去的两个月里，大模型市场招投标不断，从金融到政务到能源，一系列金额过亿的 AI 大单频现，对企业而言，谁能提供更好的 AI 落地效果，谁就能成为更优选。
RAG 能力恰是其中尤为重要的一环。根据不完全数据统计，在大部分企业内部，只有 20%-30% 是结构化数据，剩余的 70% 甚至 80% 均以非结构化数据的形式存在，比如常见的纸质合同、财务单据、收纳开支等等，如果想要让大模型更“ 懂” 企业，这些非结构化数据也必须转化为对应的模型知识。
OCR 能力恰是其中的关键手段。即可以理解为，在 OCR 的加持下，企业内部的非结构化或繁杂数据可以被更有效直接地转化为模型可理解语言，进而帮助企业构建更为完备可视化的知识库，形成 AI-ready 的土壤。
“OCR 识别能力有强有弱，甚至某种程度说，服务商提供的模型 OCR 技术能力的强弱很大程度上决定了企业在 AI 上落地的效果。” 上述负责人表示。
毫不客气的说，如果说新能源汽车是中国工业制造的明珠，那么就今年而言，说 OCR 是 AI 大模型战场上的明珠。
与这种定位相对应的是整个 OCR 市场的快速扩容。一组来自 Allied Market Research 报告的数据显示，2024 年全球 OCR 市场规模达 122.1 亿美元，预计到 2034 年将飙升至 506.1 亿美元，年复合增长率 （CAGR） 超过 15%。
从更大的视角来看，OCR 的爆火早在意料之中。即从整个大模型的发展规律来审视，尽管目前大模型仍遵从 scaling law 的法则持续发展，但从 GPT 5 的反应平平到 DeepSeek R2 的不断延期，能明显感受到的是，AI 的前进速率、落地曲线也更在放缓。
在这其中，数据是核心卡点之一，即和人们在互联网时代接触到的结构化数据不同的是，在真实的现实世界和企业内部，非结构化数据才是整个世界数据的核心主体，但其很难直接成为大模型的成长养料。
这也恰是 OCR 技术的“ 专项领域”。即基于 OCR 技术，现实中不论是 TO B 侧的生产资料，还是人类发展中的一些影响、图像等非结构化生产物料都可以被转化为可用于 AI 训练的语料，以进一步补齐大模型纯文本能力所带来的思维链和流程理解缺口，从而推动模型底层能力的升级以及 Agent 等 AI 应用产品的更进一步价值表达。
但把 OCR 和 AI 结合并不是一件容易的事。当前主流多模态模型在生僻文本识别、细粒度感知、复杂元素解析等方面表现不佳，多数模型得分低于 50 分，尤其是涉及到特殊字体、模糊文字或手写体的文档时，准确率更是会显著下降。
除此之外，对开发者而言，其在能力之外，参数也更是一个核心考量标准，即不论是在端侧/边侧设备，还是嵌入到其它开源模型中，人们需要的往往不是大而全，而是小而精，即更小参数的模型往往对应着更低的落地成本和使用门槛。
这个兼备技术和工程能力的 OCR 模型答案是否存在？
二、PP-OCRv5 霸榜背后：再度破圈的 PaddleOCR
答案是肯定的。这也是 PP-OCRv5 这次破圈的本质原因。
首先，PP-OCRv5 兼备模型的轻量级和顶尖性能，从参数量来看，其仅有 0.07B 参数，约等于 Qwen2.5-VL-72B 的千分之一，同时相较于开源社群的 MiniCPM-o、OCRFlux-3B 等参数量级更小一个维度。
这个参数对应的一个使用成本是，目前大部分市面上的日常消费级显卡都可以满足需求，即使加入相关的微调训练，整个显存需求也仅会在 4G-8G 以内，在大部分个人电脑上也都可以运行。
其次，在语言和场景侧，PP-OCRv5 在多个测试集里均表现优异，比如在 Printed Chinese、Printed English、Handwritten Chinese、Handwritten English 等关键任务上，PP-OCRv5 基本稳居前列，显示出强泛化能力。
一个官方给出的更具体的成绩是，集合文心大模型 4.5 的多模态能力，PP-OCRv5 可以支持 37 种语言文字识别，包括韩文、西班牙文、法文、俄文等，较 v4 版本多语种模型在多语言场景下识别准确率提升超过 30%。
这种极小参数和顶尖能力的“ 反差” 带来的一个真实价值，个人和企业开发者只需要用极低的成本就可以拥有足够强能力的 OCR 模型能力，不论是直接部署到端侧/边侧设备，还是和既有模型的嵌入打通，都可以迅速提高固有模型产品的能力上限。
产品不基础，带来的“ 自来水” 流量自然也更不基础。
过去的一段时间里，和霸榜成绩接连出现的是一系列针对 PP-OCRv5 的海内外“ 自来水” 评价，比如 Gizchina.com 锐评“ 百度的 PP-OCRv5 表明，小型号仍然可以发光”，比如再比如来自一系列网友的称赞，如“データ入力、爆速化の救世主降臨✨”(“ 数据录入，极限提速的救世主降临✨”)、“ 圧倒的性能でAIモデル「PaddleOCRv5」が、たった70MBの超軽量ながら、驚異的な高精度 OCR 技術を実装します” (AI 模型 「PaddleOCRv5」 以压倒性的性能，在仅 70MB 的超轻量体积下，实现了惊人的高精度 OCR 技术) 等等屡见不鲜。
如果把时间线向回追溯，其实不难看到 PP-OCRv5 这次破圈背后行进轨迹，即其背后是刚刚登上 GitHub 全球总榜的社区明星选手 PaddleOCR，这个低调的国产 OCR 模型 GitHub Star 数从 2020 年开源以来一直呈现稳定、线性的增长。
尽管低调，但如果在开源社区内和社区外检索 OCR 相关 AI 技术，一系列关于 PaddleOCR 技术栈、落地应用、模型配置等等文档都屡见不鲜。
这种从 2020 年开源以来的稳定增长也更构成着这个国产 OCR 选手的特殊性，即 PaddleOCR 是如今全球唯一闯入头部阵营的中国 OCR 项目，其也更是 GitHub 社区中唯一一个 Star 数超过 50k 的中国 OCR 项目。
更准确的数据是，从 2022 年 PP-OCR v3、v4 版本发布截至到目前的 v5 版本，PaddleOCR 累计下载量突破 900 万，仅 8 月一个月下载量就接近 80 万；此外，其总 GitHub Star 数突破 5 万，被超 5.9k 开源项目直接使用，其中包括一系列知名开源项目，如 Umi-OCR、OmniParser、MinerU、RAGFlow 等等。
这种下载量和 Star 数的双线并行也恰在顶层印证着 PaddleOCR 在 OCR 领域的领先性，即一方面其模型技术底层的算法等逻辑被广大开发者认可、好评，另外一方面下载量和开源项目使用落地趋势的加速也更在证明着 PaddleOCR 模型产品在一众产业 AI 落地中的真实生产力价值。
三、AI 大模型，进入“ 专精基建” 下半场
自 2020 年推出以来，PaddleOCR 一路迭代，如今已经更新至 3.2 版本。下载量和 Star 双线增长的更底层，PP-OCR 等模型技术也更在不断成熟，推动着 OCR 在 AI 时代更完善基建的成型。
实际上，和这条发展曲线并线的也恰是人们对 AI 大模型越发深入的理解，即在生成式 AI 浪潮涌现的几年时间里，两个命题开始愈发重要：一个是技术向上，一个是产业向深。
而在这两个命题中，更优质的 OCR 能力恰都在成为核心驱动引擎。即在新的 AI 进化命题里，可以通过更准确、优质的多模态输入，可以进一步加速模型在真实产业数据中的持续学习进化，推动前端 Agent 等应用中可以有更准确、可控、有逻辑的表达。
这也正是 PaddleOCR 的行进路线。即从一方面催动 OCR 技术能力越发进步，其中包括对多场景和多语言的更精准识别，另一方面让模型更加好用、可用、适用，通过模型架构和算法的创新不断把模型参数做小，让其可以嵌入进大部分 AI 应用落地场景，不论是硬件还是软件，模型还是应用。
同样值得一提的是，在融合 PP-OCRv5 的 PaddleOCR 3.2 版本中，一系列工程能力也更在被持续迭代，比如在之前 3.1 版本的 MCP 接入方式之外，3.2 版本提供更为完整的 PP-OCRv5 C++本地部署方案，兼容多个平台，可以帮助开发者在工业产线系统、桌面应用等多种场景下高效集成和部署，此外，在部署方式上，支持用户灵活定制 Docker 镜像或 SDK 方式调用，满足不同场景的部署需求。
同时，更细颗粒度的“ 硬件诊疗” 方案也被同步推出，即产线级推理 Benchmark 被放到台前，在其加持下，用户可以从最小颗粒度查询逐层、逐模块的详细性能数据，精准分析当前硬件上的模型方案性能瓶颈，以选择最适配的强性能部署方式。
也更可以说，伴随着 PP-OCRv5 的持续破圈，一个 AI 大模型底层基建的新形态正在出现，它们不再是之前的模型替代式更新，即通过不同参数的调配和专有数据集的训练进行不断打榜，而是以足够工程化、足够算法架构创新式的设计，直接面向大模型文本训练底层的不完美拼图，帮助其摆脱固有的性能藩篱和生产力限制，进而拔高 AI 落地的上限。
小尺寸、高性能的 PP-OCRv5 恰是这样一个新形态的 AI 基建。
AI 大模型的发展绝对不只是互联网上的一众结构化数据的成果，更多的人类文明、产业实践、工业智慧都在一个个文档书本、表格数据、单据流程中，这些如今伴随着 PP-OCRv5 等更强 OCR“ 眼睛” 的加持，为 AI 大模型向 AGI 的持续进阶之路提供着更优质的成长养料。
AI 大模型终究会驶向 AGI，这是一个毋庸置疑的终局，PP-OCR 等更多 AI 专精模型的出现，恰在加速推动 AI 潮流持续向前。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
