四大开源 OCR 模型深度对比：MinerU 2.5 至 PaddleOCR-VL-1.5

视觉分词器（SAM-base, 80M）→ 视觉 Token ↓ LLM 视觉编码器（Qwen2-0.5B） ├── 视觉 Token 间：双向注意力（保持全局感知） └── 查询 Token 间：因果注意力（模仿人类阅读逻辑） ↓ 有序的视觉特征序列 → LLM 解码器 → 文本输出

DeepSeek-OCR 2 的核心创新是 DeepEncoder V2——引入可学习的"因果流查询 Token"，通过因果注意力掩码实现两级级联因果推理：编码器负责"理顺"信息（语义重排），解码器负责"翻译"信息（文本生成）。

技术亮点：

• 视觉 Token 数量严格控制在 256~1120 个，是业界最低
• 首次验证"LLM 可以有效充当视觉编码器"这一假设
• 阅读顺序编辑距离从 0.085 降至 0.057（↓33%）

2.3 HunyuanOCR：原生多模态端到端

核心理念：单一模型、单次推理，摒弃一切流水线设计

Hunyuan-ViT（SigLIP-v2-400M）→ 视觉特征 ↓ Adaptive MLP Connector → 压缩视觉 Token ↓ Hunyuan-0.5B（XD-RoPE）→ 结构化文本输出

HunyuanOCR 最大的与众不同是 XD-RoPE（Cross-Dimensional Rotary Position Embedding），将位置编码解构为四个独立子空间：

这让一个 0.5B 的语言模型天然具备了对文档空间结构的深度理解——多栏排版、表格、浮动图片的相对位置关系，都被编码到位置嵌入中，而不需要模型"自己去学"。

训练亮点： 2 亿高质量图文对 + GRPO 强化学习 + ICDAR 2025 文档端到端翻译赛道冠军。

2.4 PaddleOCR-VL-1.5：两阶段版面驱动

核心理念：让版面分析引擎和视觉语言模型各司其职

阶段一：PP-DocLayoutV3（版面分析） ├── RT-DETR + 掩码检测头 → 多边形异形框定位 ├── Global Pointer → 阅读顺序预测 └── 输出：17 类元素的精确位置 + 类型 + 阅读顺序 阶段二：PaddleOCR-VL-0.9B（内容识别） ├── NaViT 动态分辨率编码器 ├── Adaptive MLP Connector ├── ERNIE-4.5-0.3B 语言模型 └── 输出：6 大任务的结构化内容 

PaddleOCR-VL-1.5 的标志性创新是多边形异形框定位——用像素级实例分割掩码替代传统矩形框，解决了倾斜、弯折、透视变形场景下的定位失配问题。这一创新有效解决了复杂场景下的定位准确性挑战。