TeleOCR：1.2B 的开源文档解析模型，把数字文档和拍照文档用一个框架通吃了

2026年10月1日

TeleOCR 是原 NaviDC-OCR 改名后的延续，一个 1.2B 参数的轻量级视觉语言模型，专门做文档解析。它真正让人多看一眼的点，不是又刷了个 benchmark，而是把「数字文档」和「拍照/弯曲文档」两条路线统一进了一个框架里，而且直接对失真图片做解析，不需要先去畸变校正。

团队在 2026 年 8 月 17 日放出权重和技术报告之后，9 月 10 日把它更名为 TeleOCR，之后所有版本迭代都挂在这个名字底下。期间还顺手参加了 EMNLP 2026 的 Dr.DocBench Challenge 文档解析比赛，用原生权重跑，成绩压过了 MinerU 2.5 Pro 和 PaddleOCR-VL 1.6——这算是个不错的社区背书，因为比赛用的正是大家手头普遍在跑的工具，可比口径是现成的。

先说最实际的：参数只有约 1.2B，BF16 精度下模型大小约 1B 参数，权重走 Apache-2.0 开源，可以在 Hugging Face 上直接下。对做文档解析、知识库入库、PDF 批处理这类活的人来说，这个体量意味着不需要租训练卡就能在本地部署推理，很多现有 GPU 都能带得动，跑批的算力账单不会吓人。社区已经把 GGUF 转换做好了，llama.cpp 支持也跟上了，还有人分享了在昇腾 910B 上的部署经验。

TeleOCR 能处理文本、表格、公式、代码、版面、科学图表，表格和公式走的是内容-结构解耦学习。表格输出用 OTSL 这种标记语言，官方给了 convert_otsl_to_html 把表格转成 HTML 的函数，公式则整理成 LaTeX——拿到手就能直接解析成结构化输出，不只是会「读字」的 OCR。

它在 OmniDocBench v1.6 上 overall 拿了 96.87，Wild-OmniDocBench 拿了 88.53，PureDocBench 三个场景里的 clean 档 overall 是 86.90，排名都在第一梯队。需要说明的是，这些数字只能代表它的强项范围——表格解析和文本识别确实是它的长处，但在某些细分项（比如部分公式的 CDM 分数）上并没有全面领先所有对手，选型时别只看一个 overall。

真正值得关注的其实是它在真实退化场景下的表现。PureDocBench 里它 Real Degraded 档的 overall 是 70.85，明显高于大多数对照组，说明它对「手机拍歪了、有折痕、有点糊」这类实际生产里最常见的输入，鲁棒性比纯干净文档场景更强。这对做移动端采集、纸质材料数字化的人来说是实打实的收益——省掉的不只一层去畸变预处理的调用，还少了一个会引入错误的环节。

安装和使用都不复杂：pip install transformers torch pillow，然后从 Hugging Face 拉 StarDoc-AI/TeleOCR 的 processor 和 model 就能跑。模型基于 MinerU、Qwen2.5-VL、Qwen3 等开源项目构建，Acknowledgements 里也列了感谢名单。Hugging Face 页面显示近 31,584 次月下载，vLLM 管线在 ParseBench 上的分数（Text Content 85.39）也可以作为参考。

要提醒的是，TeleOCR 不是「一图全自动出整篇结构化文档」的一键工具——完整的文档解析流程仍然需要配合 GitHub 仓库里的工作流来跑，模型本身负责的是核心的版面理解、表格、公式、文本提取。文档里也保留了 OTSL 解析、版面后处理这类需要开发者自己接的代码段。它更适合已经有一定工程能力的团队直接接进去，而不是给不懂代码的人当黑盒点开就用。

另外，改名前叫 NaviDC-OCR，GitHub 仓库路径和部分模型命名仍然是旧名字，接的时候留意别搞混。GGUF 版本由社区成员 Nandraj 转换并放在单独的仓库里，官方页面上也有链接。

技术报告在 arXiv:2608.12898，模型权重、代码、评测都开源了。对这个赛道的人来说，TeleOCR 大概不是一个颠覆性的突然出现，更像是在「轻量 + 能打 + 开源」这个组合上又往前推了一格的候选——特别适合那些想摆脱收费云 OCR、又不想上十亿级大模型的场景。至于它能不能在长尾的真实拍照文档上持续扛住，社区跑起来才能见分晓。

相关链接