DeepSeek与百度OCR技术深度对比：谁是文档识别新水准的引领者？

DeepSeek OCR的最新论文近期引发广泛关注，在社交媒体上形成刷屏效应。

据了解，OCR技术是DeepSeek团队近半年来的重点研究方向之一，投入了大量精力。

DeepSeek-OCR有望解决大型语言模型（LLM）处理长上下文时的计算瓶颈。

当前，业内主要关注DeepSeek提出的上下文光学压缩新思路，但对其OCR模型实际表现的测评相对较少。

一家拥有五年扫描产品“聚创全能扫描王”开发经验的公司，长期以来一直采用百度开源的PaddleOCR技术。

在2021年的技术预研中，对多种云端及开源OCR方案进行测试后，PaddleOCR被认为是性价比最优的选择。

多年来，PaddleOCR在开源社区中影响力巨大，其GitHub Star数已超过60k。

2022年百度举办的OCR技术分享会上座无虚席。在OCR技术尚未受到大厂普遍重视的早期，百度在该领域投入了大量工作。

对于扫描类产品而言，OCR技术是其核心竞争力。

DeepSeek OCR的发布，作为一款小模型，其部署成本极高，促使团队决定进行全面测试，以评估其与现有方案的性能优劣。

在测试准备阶段，技术负责人发现百度于近期发布了PaddleOCR的新版本：PaddleOCR-VL。

PaddleOCR-VL是一款多模态文档解析模型，参数量仅为0.9B，可轻松在普通笔记本电脑上运行。

PaddleOCR-VL的技术报告可在此查阅：

https://arxiv.org/pdf/2510.14528

这款百度新模型在当时最新的权威测评榜单OmniDocBench V1.5中，在文本识别、公式识别、表格理解、阅读顺序四项核心能力上均取得了SOTA（State-of-the-Art）水平。

此前，它还连续登顶Hugging Face Trending榜全球第一。

鉴于PaddleOCR-VL的卓越表现，本文将深入对比PaddleOCR-VL与DeepSeek-OCR两大模型的测试结果。

OCR能力测试通常需涵盖印刷体和手写体中的复杂场景，例如多语言混合、拼音声调、数学公式及连笔字。

经过多年积累的测试案例，本次评估得以高效进行。

PaddleOCR-VL提供Hugging Face在线体验平台：

https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo

相比之下，DeepSeek-OCR目前尚未提供云端Demo链接，且主流云平台也未提供一键部署入口。

用户若要体验DeepSeek-OCR，需自行根据GitHub上的操作步骤进行部署，操作过程较为简便。

以下是详细测试过程。

首先测试竖版碑文。其识别存在两个难点：

第一，传统OCR系统主要针对横排文字设计，处理竖排文字时，模型需准确理解文字排列、字间上下关系以及段落行结构。

第二，繁体字结构复杂，OCR识别需高精度和对字形的深层理解。特别是相似字形或复杂形态的字，易出现识别错误，且不同书法风格的写法差异较大。

以下是测试所用的碑文拓片图片。

PaddleOCR-VL的识别结果：

DeepSeek-OCR的识别结果：

整体而言，百度和DeepSeek均未能100%准确识别碑文内容。

然而，PaddleOCR-VL的相对准确率更高。DeepSeek-OCR错误地识别了最后一列的“夫”字，存在低级错误。

经计算，PaddleOCR-VL的错误率为8.16%，而DeepSeek-OCR的错误率为18.37%。

接下来测试手写数学公式。以下是原图，为便于复现，所有测试图片均会分享。

这些案例是团队在每次测评OCR API或开源软件时常用的标准测试集。

PaddleOCR-VL的识别结果：

DeepSeek-OCR的识别结果：

DeepSeek-OCR输出的是LaTeX版本。综合对比显示，二者识别准确度一致，均表现良好。

继续观察一个字迹有些模糊的竖排文本。

百度PaddleOCR-VL的结果：

DeepSeek-OCR的结果：

二者准确率均为100%。表明在处理此类简单案例时，模型性能已非常成熟。

进一步加大难度，测试连笔字识别。此图片来源于小红书。

PaddleOCR-VL的识别结果：

DeepSeek-OCR的识别结果：

在连笔字识别方面，DeepSeek-OCR的表现不佳。经过连续五次测试，DeepSeek-OCR均仅能识别出四个字。

值得一提的是，OCR类模型的幻觉率普遍较低。首次识别结果与后续重复测试结果保持一致。

继续测试复杂图表：

百度PaddleOCR-VL的结果：

DeepSeek-OCR的结果：

显然，PaddleOCR-VL的效果更优。DeepSeek-OCR似乎无法准确理解柱状图的含义。

降低难度，测试一个表格示例。这类需求在产品中非常常见，要求OCR能够转换为表格样式。

PaddleOCR-VL的输出：

DeepSeek-OCR的输出：

DeepSeek-OCR和PaddleOCR-VL均能准确识别表格中的文字，这方面的难度不大。

但在将文字组合为结构化表格时，DeepSeek-OCR出现了一些差错，右侧几列明显错位。DeepSeek-OCR在图表处理方面仍有较大的优化空间。

接着测试化学方程式识别。

百度PaddleOCR-VL的结果：

DeepSeek-OCR的结果：

文字识别方面，二者均无问题。但DeepSeek-OCR无法同时识别等号和反应条件，而PaddleOCR-VL能够做到。

继续观察多语言混合场景的识别。

百度PaddleOCR-VL的识别：

DeepSeek-OCR的识别：

两者的识别结果均完全准确。可见在多语言处理上，两个模型都表现出色。

最后测试小学生拼音识别的语文题，这也是产品用户经常会遇到的场景。

这张图的难点在于需要识别声调，以及笔迹略显稚嫩的汉字。

PaddleOCR-VL的结果：

DeepSeek-OCR的结果：

继续测试拼音位于汉字右侧的情况。

百度PaddleOCR-VL的识别结果：

DeepSeek-OCR的识别结果：

本次测试中，二者的准确率较为接近。但综合来看，DeepSeek-OCR的表现略胜一筹。

以下是测试结论：

第一，PaddleOCR-VL和DeepSeek-OCR无疑都是极其优秀的OCR模型，达到全球Top3水平。

两者的识别准确率均高于市面上已知的所有其他产品，且多语言支持表现良好。

第二，DeepSeek-OCR的不足之处在于对手写体，特别是连笔字的识别准确率较低。

而PaddleOCR-VL的缺点则是在部分场景中会忽略拼音。若能将两者的优点结合，将实现完美效果。

第三，从本次测试的多个场景来看，PaddleOCR-VL的整体表现优于DeepSeek-OCR。