刚刚中国电信开源了 TeleOCR1.2B 小模型横扫五大榜单OCR 赛道要变天【免费下载链接】TeleOCR项目地址: https://ai.gitcode.com/XingChen-AGI/TeleOCR传统 OCR 一直有个尴尬的定位它认识字但不理解文档。检测、识别、版面分析、表格还原、公式抽取五个环节各自为政拼装成一条笨重的流水线——遇到手机随手拍的弯折、倾斜、透视变形的文档整条链路的精度立刻崩盘。2026 年 9 月中国电信TeleAI把旗下文档解析模型正式更名为 TeleOCR 并开源README.md用约 1.2B 参数的小体量在 OmniDocBench v1.6、Wild-OmniDocBench、PureDocBench、Dr.DocBench、ICDAR2026 Sci-ImageMiner 五大基准上全部登顶综合得分 96.87表格结构还原 TEDS 达到 97.05——这一成绩甚至压过了 235B 级别的通用多模态大模型。本文结合仓库源码与社区实测情报拆解它凭什么以小博大。从识字到理解一整张文档中国电信为什么下场做文档解析传统 OCR 的本质是识别而 RAG、知识库、财务审计、法律文书等场景真正需要的是把一整张文档还原成有结构的数据标题层级、阅读顺序、表格的行列语义、公式的 LaTeX 表达。过去这套能力要由检测 识别 版面 表格 公式多个模型接力完成任何一个环节出错都会向下游传播尤其是拍摄畸变场景——必须先做去畸变矫正再走常规管线。TeleOCR 把这个问题收拢成一个端到端的视觉-语言建模问题。仓库的 README.md 开篇就给出定位它是一个专门为文档解析设计的轻量级约 1.2B 参数开源视觉语言模型与传统方案要么只做数字文档、要么只做拍摄文档不同TeleOCR 在单一框架内统一了两类场景。为此它引入了六项关键技术多节点共识投票MCV自动生成伪标签、面向拍摄文档的几何感知建模、曲率引导的 Douglas-Peucker 采样CGDP、图到图自验证数据精炼、渐进式四阶段训练流程以及表格与公式的内容-结构解耦学习。这六项技术里几何感知建模 CGDP 直接回答了拍照再歪也能一次解析到位的社区热点问题把文档矫正能力内化进模型权重而不是外挂一个矫正模块。在 DocUNet、DIR300 等公开去畸变数据集上TeleOCR 无需任何预矫正即可直接完成版面与内容解析。从模型能力看它输出的不是一串文字而是带结构的语义表示。仓库的 Quick Start 演示了五种任务文本抽取、OTSL 表格还原、LaTeX 公式、代码识别、版面分析。下面分别是仓库自带的文本、表格与公式样例图assets/text.png 对应纯文本抽取assets/table.png 对应带合并单元格的表格还原assets/formula.png 对应公式到 LaTeX 的转换值得注意的是表格的输出设计。TeleOCR 没有让模型直接生成 HTML——社区实测早已证明直接生成 HTML 容易在复杂合并单元格上产生结构性错误。仓库代码给出了一条更稳的路径模型先生成 OTSL表格结构语言再用确定性算法转换为 HTML。README.md 中定义了 6 个特殊 tokennl换行、fcel首格、ecel普通格、lcel左跨格、ucel上跨格、xcel双跨格由convert_otsl_to_html()按 rowspan/colspan 规则解析重建table。整个转换是纯规则、无随机性的保证了输出的可验证性。这也解释了社区教程里用 OTSL 解析复杂合并单元格并自动转 HTML为什么能成为热门话题——它在模型自由发挥和硬编码模板之间找到了工程上最稳的平衡点。五大基准登顶的数据盘点96.87 分与 97.05 表格 TEDS 意味着什么先看核心榜单 OmniDocBench v1.6README.md 实验数据模型参数Overall ↑Text Edit ↓Formula CDM ↑Table TEDS ↑Table TEDS-S ↑Read Order Edit ↓TeleOCR1.2B96.870.02796.3697.0598.520.122OvisOCR20.8B96.580.02597.5394.7697.160.111PaddleOCR-VL-1.60.9B96.330.03397.4994.7697.110.127MinerU2.5-Pro1.2B95.750.03697.4593.4295.920.120在专精解析模型这一档里TeleOCR 以 96.87 的总分登顶并且把最难的表格结构还原做到了 97.05TEDS、98.52TEDS-S——后两项是 OmniDocBench 里公认最难啃的硬骨头合并单元格、跨页表格、不规则排版都在这里被放大检验。文本编辑距离 0.027 和阅读顺序编辑距离 0.122 也逼近全场最优说明它不仅在识得准还在排得对。更颠覆认知的是与通用大模型的对照。同一张榜单上Qwen3-VL-235B 只有 89.78GPT-5.2 是 86.52InternVL3.5-241B 是 83.61——235B 的通用旗舰模型在文档解析这个垂直任务上被 1.2B 的专精模型拉开了 7 个多百分点的差距。这就是1.2B 横扫五大榜单背后的真正信号在文档解析赛道上参数量早就不是第一生产力高质量的多源文档数据与针对性的训练方法才是。在另外三个基准上登顶同样不含糊Wild-OmniDocBench手机实拍畸变文档TeleOCR 以 88.53 的总分拿下第一Text Edit 0.1173、Table TEDS 89.05、Read Order 0.2011 全部刷新PureDocBench 的 Clean 场景总分 86.90、公式 81.01、表格 91.09 三项第一ICDAR2026 Sci-ImageMiner 竞赛里以加权 41.81 分排第一领先第二名 VLMinators 超过 1 分。此外在 EMNLP 2026 的 Dr.DocBench Challenge 上官方用原生权重直接评测TeleOCR 以 67.96 的 overall 超过 MinerU 2.5 Pro62.26与 PaddleOCR-VL 1.655.11。97.05 的表格 TEDS 落到业务上意味着什么拿 assets/scientific_figure.png 这类科学图表来说模型可以直接把图表隐含的表格抽取为结构化数据——这正是科研文献计量、行业研报数据回溯场景最痛的点。社区的多篇实测文章也验证了这一点从科学图表中挖出隐藏数据、将代码截图还原为可运行源码、拍摄弯折文档免矫正解析这些此前需要多个模型 一大堆预处理脚本的任务现在一行提示词切换即可完成。开源协议与国产算力路径Apache-2.0 昇腾 910B 的双保险TeleOCR 选择 Apache-2.0 协议发布意味着商用、二次开发、内部部署都无授权障碍这与模型权重约 2.8GBbfloat16的轻量体量叠加指向一个明确的定位私有化文档解析基础设施。社区实测给出的部署账本很有说服力——单卡 8G 显存即可运行INT4 量化后显存占用可压到 1-2GB甚至通过 GGUF 量化 llama.cpp 可以在无 CUDA 的 CPU 环境跑通推理。仓库的模型结构可以印证这种轻量化来源。打开 config.json架构是标准的 Qwen2.5-VL 系32 层 ViT 视觉编码器窗口注意力 在第 7/15/23/31 层插入全注意力28 层解码器语言模型hidden size 102416 个注意力头 8 个 KV 头GQA 分组查询注意力词嵌入与输出层权重共享tie_word_embeddings: true视觉塔输出经 PatchMerger 压缩后送入语言模型。modeling_naviocr.py 中可以看到完整的Qwen2_5_VLForConditionalGeneration实现底层依赖 Transformers 与 FlashAttention。动态分辨率方面preprocessor_config.json 设定了 3136 到 12845056 的像素范围让模型对高分辨率文档保持细节、对低分辨率拍摄图保持效率。部署路径上README 的 News 记录了两条来自社区的关键进展一是 GGUF 转换与 llama.cpp 支持让 2.8GB 的 bf16 权重压缩到约 1.5GB实现无 CUDA 依赖的 CPU/低端推理二是在昇腾 910B NPU 上的 bf16 原生部署经验分享。叠加 Apache-2.0 的开源协议TeleOCR 事实上凑齐了商用无忧 消费级显卡可跑 国产算力可迁移三张牌——对政企、金融、政务这类对数据合规敏感的私有化场景这是比单点精度更重要的落地前提。社区对它的技术拆解已经覆盖到架构每一层M-RoPE 三维位置编码让视觉 token 拥有空间感知、贪心式解码保证输出确定性、动态分辨率适配机制让输入图像按内容自适应缩放。而 README.md 的安装只需要pip install transformers torch pillow配合AutoProcessor.from_pretrained(StarDoc-AI/TeleOCR, trust_remote_codeTrue)即可加载从拉到跑几乎是零门槛。写在最后文档解析赛道的范式拐点把情报与源码放在一起看TeleOCR 释放的信号很清楚文档解析不再是大模型的边角料能力而正在成为一个可以独立成立、用数据与方法论驱动、并跑出远超通用大模型精度的垂直赛道。1.2B 打败 235B靠的不是魔法而是六项针对文档特性的训练技术与高质量多源数据的积累——这恰恰是后来者最不容易复制、也最值得深入研究的部分。对中国电信来说开源 TeleOCR 的姿态也颇具深意以 Apache-2.0 协议 国产算力适配 端到端文档理解能力把解析这一 RAG 与知识库的地基性环节做成可被广泛集成的公共能力。对于所有正在建设私有化文档解析系统的团队这份仓库值得从 README 的数据表读到 modeling 的每一行代码——毕竟一个 96.87 分的 1.2B 模型现在就在你手边。【免费下载链接】TeleOCR项目地址: https://ai.gitcode.com/XingChen-AGI/TeleOCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考