OCR 通用文档识别选型(维度二·草稿)
资料核对日期:2026-11-13。仅查官方文档,未实测。维度一(发票识别)结论保留不变;本页是并列的第二维度,不与维度一合并总分。候选覆盖云厂商 API 与云托管 OCR 模型服务,评估对象是各厂商的通用文档 / 文档解析产品线,不是发票接口。
一、需求与权重
| 序号 | 需求 | 说明与评分依据 | 权重 |
|---|---|---|---|
| 1 | 表格结构还原 | 5 分:表格结构化输出有明确 API(行列 / 单元格结构或 HTML / Markdown 表格);3 分:有表格识别但结构细节未确认。 | 25 |
| 2 | 版面与阅读顺序 | 5 分:版面元素分类加阅读顺序或层级关系明确;3 分:仅部分具备。 | 15 |
| 3 | 手写体 | 5 分:官方文档明确支持手写识别;3 分:仅示例或部分场景提及。 | 10 |
| 4 | 多语种含中文 | 5 分:中文与多语种均有官方说明;3 分:仅部分确认。 | 10 |
| 5 | 输出格式与溯源 | 5 分:Markdown / HTML 加结构化 JSON,且有坐标或置信度;3 分:仅部分具备。 | 20 |
| 6 | 多页与长文档 | 5 分:所选托管服务有多页文档一次处理说明;3 分:仅按页处理;未确认标「待核实」。本地 PDF 推理脚本不能证明托管 API 接收多页 PDF。 | 10 |
| 7 | Agent 可调用 | 5 分:模型厂商或第三方托管平台有 API、鉴权与示例,可由服务端封装;0 分:已确认所选交付方式只能自行部署推理服务。 | 10 |
评分沿用 0–5 分:5 = 文档充分支持,3 = 部分支持,0 = 已确认不支持;无证据标「待核实」,不计分、不断定不支持。模型作者未提供 API,不排除第三方托管路径;模型能力与托管服务能力分别核对。
二、横向评分(12 款,按总分排序)
| 序号 | 需求 | 权重 | Azure | Mistral OCR | TextIn | 阿里云 | 百度 | 华为云 | 腾讯云 | Google DAI | qwen-vl-ocr | Gemini | DeepSeek-OCR | OpenAI |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 表格结构还原 | 25 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 待核实 | 5 | 3 | 3 | 待核实 |
| 2 | 版面与阅读顺序 | 15 | 5 | 5 | 5 | 5 | 5 | 5 | 3 | 5 | 3 | 3 | 3 | 待核实 |
| 3 | 手写体 | 10 | 5 | 3 | 3 | 5 | 5 | 5 | 5 | 5 | 待核实 | 待核实 | 待核实 | 待核实 |
| 4 | 多语种含中文 | 10 | 5 | 5 | 3 | 5 | 5 | 3 | 5 | 5 | 5 | 3 | 待核实 | 3 |
| 5 | 输出格式与溯源 | 20 | 5 | 5 | 5 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 | 3 |
| 6 | 多页与长文档 | 10 | 5 | 5 | 5 | 3 | 3 | 3 | 3 | 5 | 待核实 | 5 | 3 | 3 |
| 7 | Agent 可调用 | 10 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
| 总分 /100 | 100 | 96 | 92 | 88 | 88 | 84 | 82 | 67 | 66 | 62 | 52 | 34 | ||
| 待核实项数 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 2 | 1 | 2 | 3 |
**维度二优先:Azure(Read / Layout)、Mistral OCR;国内文档解析首选 TextIn xparse,阿里云、百度、华为云、腾讯云同梯队。**qwen-vl-ocr 可作云托管模型服务备选;DeepSeek-OCR 按硅基流动托管服务纳入候选(52 分);Gemini、OpenAI 属通用视觉,文档 OCR 专项证据不足。
三、逐项依据(模型作者与服务商官方文档)
- Azure:Read 印刷 + 手写(含 zh-Hans)、坐标与置信度;Layout 表格、阅读顺序、
outputContentFormat=markdown;Markdown 元素覆盖段落、标题、表格、公式;PDF 最多 2,000 页。 - Mistral OCR:OCR 处理器逐页 Markdown、
table_formatmarkdown/html、include_blocks段落级坐标与阅读顺序、置信度粒度、页眉页脚抽取;语种表含中文等 40 余种;手写仅见官方示例文档,记 3 分。 - TextIn xparse:解析 API 返回元素类型、层级关系、标题树、页面阅读顺序、
table_structure行列单元格、字符级坐标置信度、跨页表格合并(element_merge_mode);Markdown / HTML 表格可选。手写仅以内嵌对象(签名、复选框)形式提及,记 3 分。 - 腾讯云:产品概述列通用 / 高精度、表格识别、通用手写体识别、智能结构化识别,多语种含中文;Markdown 输出与多页一次处理未确认。
- 华为云:产品页列通用表格识别、手写文字识别、智能文档解析、印章,输入支持 PDF / OFD;多语种与 Markdown 输出受限,PDF 按页处理。
- 阿里云:文字识别统一识别含表格、手写、文档结构化;文档智能提供文档解析(大模型版)、表格智能解析、电子文档解析;Markdown 明细待核实,记 3 分。
- 百度:文档首页列表格文字识别、手写文字识别、办公文档版面分析,多语种含中文;Markdown 输出与多页一次处理未确认。
- Google DAI:Enterprise Document OCR 支持 200 余种语言含中文、块 / 段 / 行 / 词层级、手写、字体样式、数学公式、页码范围、质量分;原生 Markdown 与表格结构未确认,分别记 3 分与待核实。
- qwen-vl-ocr:Qwen-OCR API 内置任务含
table_parsing(HTML 输出)、document_parsing、formula_recognition、multi_lan、key_information_extraction(JSON schema);坐标、置信度、多页输入未确认。 - Gemini:Document understanding 原生视觉处理 PDF 至 1,000 页、文本 / 图表 / 表格理解、结构化输出、转 HTML 保留版面;表格结构、手写、坐标未确认。
- DeepSeek-OCR(硅基流动托管):模型作者仓库提供 OCR、grounding 转 Markdown、表格抽取与实体定位提示模式;硅基流动上线公告明确已开放 API,模型目录列有
deepseek-ai/DeepSeek-OCR,调用文档提供/chat/completions、API Key 与图像 URL / Base64 示例,第 7 项记 5 分。所引托管文档未确认多页 PDF 一次处理,按图片逐页路径记 3 分,不沿用仓库本地 PDF 脚本的 5 分;手写与具体语种仍待核实。模型可用性、账号限额、地域及数据条款在 PoC 前复核,不采用上线时的限时免费宣传作长期报价。 - OpenAI:视觉与文件输入支持图像与 PDF 输入、结构化 JSON 输出;表格结构、版面、手写、坐标均未确认,不适合作为文档 OCR 专项。