把一份合同、一张财报、一篇论文喂给 agent，第一步不是推理，而是把它读成干净的文本。这一步读得糙，后面所有推理都在垃圾上盖楼。2025 年下半年到 2026 年初，开源 OCR 阵营挤进来一串新名字：DeepSeek-OCR 2、PaddleOCR-VL 1.5、MinerU 2.5、dots.ocr、GOT-OCR2.0、GLM-OCR。六款模型摆上同一张桌子，最先跳出来的不是跑分，而是一个刺眼的倍数：同样一页纸，GOT-OCR2.0 固定消耗 256 个视觉 token，MinerU 2.5 平均消耗 6790 个，差 26 倍；若把 DeepSeek-OCR 一代的 Small 档（100 个 token）也拉进来，差距接近 68 倍。
这波开源 OCR 集中爆发不是巧合。agent 工作流的规模化把文档解析从边缘功能推成了核心入口：RAG 要切块，得先有干净的段落边界；agent 要审合同，得先有人替它把扫描件变成文字。云 API 能干这件事，但数据要出域、按页付费、受制于别人的限流政策，于是「把开源权重拉回自己机房」成了很多团队的必选项。权重白嫖只是入场券，进了场才发现真正的考题是：哪款模型在你的显卡上、你的文档类型上、你的商业条款下跑得通。这正是横评要回答的。
本文把六款模型放进同一场横评，比三件事：技术路线、真实性能口径，以及一条经常被忽略却可能一票否决的维度——许可证。
一、为什么现在要重比一遍开源 OCR
先划边界。站内 2026 年 8 月的《AI OCR 工具横评》回答的是「用哪家云 API」：Mistral OCR、TextIn、Datalab 那些托管产品，决策变量是每页价格、并发和 SLA。本文回答另一个问题：想自己部署开源权重，选哪个。决策变量从美元每页，换成显存占用、吞吐、每页视觉 token 和许可证条款。同批还有一篇 DeepSeek-OCR 本地部署实操，分工一句话：怎么选看本文，怎么装看部署篇（DeepSeek-OCR 本地部署 SOP）。
再立规矩：本文所有性能数字均标注「厂商自报」或「第三方转述/实测」，不混用；不同模型引用的榜单版本不同，口径不一致的成绩不做直接排名。这不是偷懒，而是第四节要展开的核心方法论。
二、三条技术路线：压缩派、精度派、统一派
六款模型看似一堆名字，底层其实是三种哲学。
压缩派相信文档信息高度冗余，能压到极致。GOT-OCR2.0 是激进代表：580M 参数，1024×1024 的图压成固定 256 个视觉 token，端到端输出 Markdown、HTML、LaTeX，甚至 SMILES 和乐谱，官方称之为「OCR-2.0 物种」全兼容。DeepSeek-OCR 2 延续同一哲学但多了旋钮：视觉 token 256 到 1120 可调，架构是 DeepEncoder V2 加 3B MoE（64 选 6 专家，激活约 570M），支持动态分辨率与 8K 上下文。
精度派拒绝丢信息。MinerU 2.5 两阶段解耦：先对下采样图做整页布局分析，再对关键区域按原分辨率精识别。识别质量上去了，代价是平均 6790 个视觉 token 每页。dots.ocr 走同一条高保真路线，200dpi 输入约 5545 token 每页。
统一与轻量派在两头之间找平衡。PaddleOCR-VL 用 NaViT 动态分辨率编码加 ERNIE-4.5-0.3B 解码，0.9B 参数覆盖 109 种语言；GLM-OCR 用 CogViT 加 GLM-0.5B 解码，两阶段做布局与并行识别；dots.ocr 则把布局检测、文本识别、表格、公式塞进同一个模型，靠 prompt 切换任务，覆盖 100 多种语言。
三条路线没有绝对优劣。选哪条，取决于你要批扫一万页的吞吐，还是要复杂版面的一字不差。
为什么视觉 token 数值得单独拎出来讲？因为在自建推理栈里，它是所有成本公式的乘数。视觉 token 进入解码器后占的是上下文窗口，吃的是 KV cache 显存，注意力计算的开销随长度上升，批处理时能塞下的并发页数也由它决定。同一张 4090，喂 256 token 一页和喂 6790 token 一页，吞吐差出的是一个数量级，这不是调参能追回来的差距，是架构层面的分野。所以看懂了这条分野，后面所有的数字才有意义。
三、规格与许可证总表
| 模型 | 发布方 | 参数量 | 许可证 | 架构要点 | 权重渠道 |
|---|---|---|---|---|---|
| DeepSeek-OCR 2 | DeepSeek AI | 3B MoE（激活约 570M） | Apache-2.0（官方仓库 LICENSE 核定；一代为 MIT） | DeepEncoder V2 加 3B MoE，视觉 token 256 至 1120 可调 | Hugging Face：deepseek-ai/DeepSeek-OCR-2；魔搭 ModelScope 同步 |
| PaddleOCR-VL 1.5 | 百度 | 0.9B | Apache-2.0 | NaViT 动态编码加 ERNIE-4.5-0.3B 解码，109 语 | Hugging Face / GitHub / 飞桨官网 |
| MinerU 2.5 | 上海AI实验室 | 1.2B | AGPL-3.0 | 两阶段：下采样布局加原分辨率精识别 | Hugging Face / ModelScope / GitHub（opendatalab/MinerU） |
| dots.ocr | rednote-hilab | 3B（底座 Qwen2.5，另有约 1.7B 一说） | Apache-2.0 | 单模型统一布局、识别、表格、公式，prompt 切任务 | Hugging Face：rednote-hilab/dots.ocr |
| GOT-OCR2.0 | 阶跃星辰 | 580M | Apache-2.0 | 高压缩编码器（1024×1024 转 256 token）加 8K 解码 | Hugging Face：stepfun-ai/GOT-OCR2_0 |
| GLM-OCR | 智谱 Z.ai | 0.9B | 权重 MIT；代码与布局组件 Apache-2.0 | CogViT 编码加 GLM-0.5B 解码，PP-DocLayoutV3 布局 | Hugging Face / GitHub，支持 vLLM、SGLang、Ollama |
三处需要点名的裁决与存疑。其一，DeepSeek-OCR 2 的许可证在二手信源里 MIT 与 Apache-2.0 两说，本文以官方仓库 github.com/deepseek-ai/DeepSeek-OCR-2 的 LICENSE 文件为准，定为 Apache-2.0；一代确实是 MIT，两说大概源于此。其二，GLM-OCR 的 MIT 来自第三方站点转述，官方模型卡未核到，按存疑处理。其三，dots.ocr 的参数量 3B 与底座约 1.7B 两说并存，不影响选型结论，引用时请注明口径。
落选但值得一句：Chandra OCR 2（Datalab，4B，olmOCR-Bench 自报 85.9，权重为 OpenRAIL-M，带收入上限条款）、HunyuanOCR（腾讯，1B，v1.5 自报 94.10）、olmOCR 2（Ai2，7B，自报 82.4）。
四、性能：同尺之难，口径先行
这是本文最想提醒的一节。社区榜单和媒体最爱干的活，是把不同版本的 OmniDocBench 成绩排进同一张表。MinerU 2.5 的 90.67 出自 OmniDocBench 论文版（981 页、9 类文档），GLM-OCR 的 94.62 与 PaddleOCR-VL 1.5 的 94.5 出自 v1.5（1355 页）——题目集都不一样，硬排出来就是「排名倒挂」的假象。看任何 OCR 跑分，先问三句：哪个版本，多少页，谁测的。
| 模型 | 综合成绩 | 榜单口径 | 数字性质 |
|---|---|---|---|
| GLM-OCR | 94.62 | OmniDocBench v1.5 | 厂商自报（第三方站点转述） |
| PaddleOCR-VL 1.5 | 94.5（1.6 版在 v1.6 自报 96.33） | v1.5 | 厂商自报 |
| HunyuanOCR（参考） | 94.10 | v1.5 | 厂商自报 |
| DeepSeek-OCR 2 | 91.09（另有 87.01 一说） | v1.5 | 厂商自报与媒体转述，两说并列不裁决 |
| MinerU 2.5 | 90.67 | OmniDocBench 论文版（981 页、9 类） | 厂商自报（论文口径） |
| dots.ocr | 88.41 | OmniDocBench 综合 | 第三方转述（与官方发布一致） |
| GOT-OCR2.0 | 编辑距离 0.287（越小越好） | OmniDocBench v1.0 编辑距离 | 厂商自报（DeepSeek 论文引用） |
分列说几句。v1.5 梯队里，GLM-OCR 与 PaddleOCR-VL 1.5 咬得很紧，都自报在 94 档。注意 PaddleOCR-VL 初版的 92.6 在 2025 年 10 月曾以「全球第一」刷屏，数周后即被自家 1.5 版的 94.5 超越——厂商自报数字的保鲜期通常以周计。DeepSeek-OCR 2 的 91.09 有 87.01 一说（同批二手信源给出），可能对应不同 token 配置或 v1.5 子版本，本文并列不裁决。GOT-OCR2.0 只有 v1.0 编辑距离口径，与其余各家的 v1.5 综合分不可直比，这一点社区长期混淆。
子项能看出路线性格。第三方实测线索显示：MinerU 强在旋转、跨页、无线表格与复合公式拆解；GOT 强在 LaTeX、SMILES 这类「OCR-2.0 物种」；PaddleOCR-VL 1.5 新增印章识别与跨页表格衔接，自报阅读顺序误差 0.043。阅读顺序一项，DeepSeek-OCR 2 主打「因果流查询」语义重排，自报把编辑距离从 0.085 压到 0.057；社区实测里 dots.ocr 的 0.193 优于 GOT 的 0.287。
第三方榜单也要看出题人。olmOCR-Bench 上 Chandra 2 自报 85.9 居首，但该基准的维护方 Datalab 自己就是商业 API 供应商，且其文档承认「该基准已饱和」——裁判兼选手，引用时打个问号。
还有一层要防：厂商自报的子项数字往往只挑赢的亮。腾讯云自家对比文一边给 HunyuanOCR 挂着多项 SOTA 的名号，一边承认其文档解析低于 Paddle 与 GLM；PaddleOCR-VL 的「全球第一」标题发布几周就被自家新版作废。读自报数字的正确姿势是三问：评测集是不是自家参与定制、对比对象是不是挑过的旧版本、子项是不是只报了赢的那几项。三问过后还站得住的数字，才值得进你的选型表。
压缩叙事还有一个对照面必须写。东北大学与中科院团队的第三方研究发现，DeepSeek-OCR 在去掉语言先验支持后，精度从约 90% 崩到约 20%。这印证了压缩派的隐含前提：极致压缩吃的是解码端语言模型的先验红利，遇到纯图形、生僻版式或陌生语种文档时，压缩派的折扣比精度派更大。
五、token 账与硬件账
| 模型 | 每页视觉 token | 数字来源 |
|---|---|---|
| GOT-OCR2.0 | 固定 256 | DeepSeek-OCR 论文 |
| DeepSeek-OCR 一代 | Small 100；Base 256（有效 182）；Gundam 小于 800 | 官方论文 |
| DeepSeek-OCR 2 | 256 至 1120 可调 | 二手信源转述 |
| MinerU 2.5 | 平均 6790 | DeepSeek-OCR 论文 |
| dots.ocr | 200dpi 约 5545 | DeepSeek-OCR 论文对比表 |
| PaddleOCR-VL / GLM-OCR | 未公布权威单页数，二手称同类典型 1500 至 6000 | 未定，此处不编 |
这笔账直接影响钱包。同样一页纸，MinerU 2.5 的视觉 token 是 GOT-OCR2.0 的 26 倍，批处理吞吐、KV cache 显存、上下文占用都按倍数放大；在自建 GPU、按 token 算成本的场景里，这就是每页成本的差距。举个粗账：同样扫一万页，按 GOT 的 256 token 算是约 256 万视觉 token，按 MinerU 的 6790 算是约 6790 万，差出 6500 万 token 的显存与算力开销，这个量级在批处理调度上会直接决定你要买几张卡、任务跑一个晚上还是跑三天。压缩比与精度还是一根滑杆：DeepSeek 官方自报，10 倍文本压缩时 OCR 精度 96% 以上，压到 20 倍只剩约 60%——旋钮拧多紧，自己权衡。
硬件入场券分两档。轻量档：GOT-OCR2.0 的 580M 参数 FP16 约 2GB 显存、Q4 量化约 1GB（二手转述），是六款里门槛最低的；MinerU 2.5 的 Pipeline 模式 6GB 显存甚至 CPU 可跑，INT8 量化后不足 4GB；PaddleOCR-VL 与 GLM-OCR 的二手口径均为 8GB 起步。重装档：MinerU 2.5 完整模型在 4090 上 1.7 页每秒（厂商发布稿）；PaddleOCR-VL 在 A100 上自报 1.86 页每秒；DeepSeek-OCR 一代单张 A100-40G 日产 20 万页以上，OCR 2 在 vLLM 下约 2500 tokens 每秒（A100，二手转述），FP16 最低 16GB、Q4 量化 2GB（二手，待核）。一句话总结：压缩派省卡省钱，精度派花 token 买版面还原。
六、许可证与商用红线
性能之外，许可证是本文独有的一票否决维度。
MinerU 2.5 的权重是 AGPL-3.0：网络服务若调用其改动版，服务端代码需向使用者开放。对内部工具影响有限，对 SaaS 产品是硬约束，接不接入建议先过法务，本文不构成法律意见。常见的绕行说法（比如只调原版不改源码就不算传染）在社区里争议很大，稳妥做法是要么接受开源义务，要么找版权方谈商业授权。Chandra OCR 2 的 OpenRAIL-M 带收入上限条款：年收入超 200 万美元需购买商业授权，这类条款对小团队无害，对融资后的公司就是定时炸弹，签融资协议前最好把模型许可一并盘点。其余阵营相对干净：PaddleOCR-VL、dots.ocr、GOT-OCR2.0、DeepSeek-OCR 2 均为 Apache-2.0，可商用可闭源；GLM-OCR 转述为 MIT（待核），MIT 与 Apache 在商用便利度上没有实质差别，关键都是「不是 AGPL、没有收入条款」这一条线。
实践建议：商用产品选型时，把许可证放在第一道过滤器，跑分放第二，免得模型选完了法务说不行。
七、分级结论与选型建议
追求吞吐与低成本批扫：DeepSeek-OCR 2，token 档位可调，Apache-2.0 干净，vLLM 生态成熟；预算极度紧张就上 GOT-OCR2.0，2GB 显存入场。
复杂学术文档、公式表格一字不差：MinerU 2.5（能接受 AGPL）或 dots.ocr（Apache 更自由），并准备好三到四倍的 token 开销。
多语言与异构硬件：PaddleOCR-VL 1.5，109 种语言，已适配昇腾与 AMD ROCm。
本地试玩与个人项目：GLM-OCR，支持 Ollama，8GB 显存起步（二手口径）。
最后一条纪律：PaddleOCR-VL 与 GLM-OCR 的单页视觉 token 数、GLM-OCR 的官方许可证等项，本文未核到权威口径，一律写「未公布」而不编数。买定离手之前，拿自己业务里最刁钻的那十页文档，把候选模型各跑一遍，比任何榜单都诚实。
FAQ
Q1: 六款里到底该选哪个？ 按需选型：批量扫描求吞吐，选 DeepSeek-OCR 2 或 GOT-OCR2.0；复杂版面求还原，选 MinerU 2.5 或 dots.ocr；多语言场景选 PaddleOCR-VL 1.5；本地小模型试玩选 GLM-OCR。没有全能冠军，压缩派与精度派的取舍决定了不存在两全的答案。
Q2: 显存最低要多少？ 门槛最低的是 GOT-OCR2.0，580M 参数 FP16 约 2GB、Q4 量化约 1GB（均为二手转述口径）；MinerU 2.5 的 Pipeline 模式 6GB 显存甚至 CPU 可跑；PaddleOCR-VL 与 GLM-OCR 约 8GB 起步；DeepSeek-OCR 2 FP16 约 16GB、Q4 量化 2GB（二手，待核）。以上均非本文实测，部署前请以官方仓库 github.com/deepseek-ai/DeepSeek-OCR-2 及各模型官方说明为准。
Q3: 商用许可哪款最干净？ PaddleOCR-VL、dots.ocr、GOT-OCR2.0、DeepSeek-OCR 2 均为 Apache-2.0，可商用、可闭源分发，最省心；GLM-OCR 权重 MIT，代码与布局组件 PP-DocLayoutV3 为 Apache-2.0（官方 README 逐字口径，实抓 LICENSE 原文）。MinerU 2.5 的 AGPL-3.0 对 SaaS 有传染风险；Chandra OCR 2 有年收入超 200 万美元的付费条款。商用前请过一遍许可证原文。
Q4: 榜单分数为什么不能直接比？ 因为榜单版本不同：MinerU 2.5 的 90.67 是 OmniDocBench 论文版（981 页），GLM-OCR 的 94.62 与 PaddleOCR-VL 1.5 的 94.5 是 v1.5（1355 页），GOT-OCR2.0 只有 v1.0 编辑距离口径。题目集不同、指标方向不同，直接排序就是自欺。先对齐版本，再谈名次。
Q5: 自部署开源模型与云 API 怎么选？ 数据不出域、批量大、有 GPU 且有人维护，自部署开源权重长期成本更低，也不受 API 限流与停服影响；偶尔使用、求省心、要 SLA，云 API 更合适。可先看站内 2026 年 8 月的《AI OCR 工具横评》比较托管产品的价格与并发，再回到本文定权重。