OCR и VLM 2026: кто лидирует в распознавании документов

Последние несколько месяцев индустрия OCR и визуально-языковых моделей (VLM) переживает настоящий бум. Кажется, едва успеваешь разобраться с одной новинкой, как выходят сразу несколько новых игроков. Мы собрали свежий обзор и сравнили самые интересные модели, чтобы понять, кто реально достоин вашего продакшн-пайплайна.

---

1. DeepSeek-OCR 2

🐋 DeepSeek-OCR 2 - это 3B модель, ориентированная на сложные документы и OCR с пониманием структуры. Главная инновация - DeepEncoder V2, который работает почти как человек: сначала формируется глобальное понимание изображения, а потом выстраивается логический порядок чтения.

Плюсы:

• Отлично справляется со сложными макетами, таблицами, подписями и структурированным текстом
• На ряде бенчмарков обходит Gemini Pro
• Можно запускать локально и дообучать через Unsloth

Минусы:

• Размер модели 3B → выше требования к GPU для высокочастотного инференса

Лицензия: Apache 2.0 Ссылки: Hugging Face | Документация

---

2. Step3-VL-10B

🌟 Step3-VL-10B от Stepfun.ai - пример компактной, но "жирной" VLM. Всего 10B параметров, но она претендует на соперничество с моделями в 10-20 раз больше, включая Gemini 2.5 Pro и GLM-4.6V.

Особенности:

• Визуальный энкодер 1.8B + Qwen3-8B декодер
• Обучение на 1.2 трлн токенов с RLVR+RLHF
• Высокие результаты по OCRBench и бенчмаркам математических задач

Минусы:

• Для топовых цифр PaCoRe = 16 параллельных роллаутов → x16 вычислительных ресурсов
• OCR - лишь часть возможностей, основное - VLM

Лицензия: Apache 2.0 Ссылки: vLLM / OpenAI-compatible API

---

3. PaddleOCR-VL-1.5

🐼 PaddleOCR-VL-1.5 - компактная модель (0.9B), оптимизированная под "полевые" условия. Кривые сканы, бликовые фото и мятые страницы - модель учли это в обучении.

Особенности:

• OmniDocBench v1.5 - 94.5% точности
• Text spotting, распознавание печатей, склейка таблиц между страницами
• Поддержка редких языков, тибетского и бенгальского
• Простая интеграция через transformers, Docker и Paddle

Минусы:

• Рукописный текст пока плохо
• Постраничный разбор через transformers ограничен

Лицензия: Apache 2.0 Ссылки: Hugging Face | GitHub

---

4. GLM-OCR

📄 GLM-OCR - мультимодальная OCR-модель на 0.9B параметров. Основана на GLM-V с CogViT визуальным энкодером и GLM-0.5B декодером. Поддерживает layout analysis через PP-DocLayout-V3 и параллельное распознавание.

Плюсы:

• OmniDocBench v1.5 - 94.62% (#1)
• Поддержка таблиц, формул, печатей и code-heavy документов
• Инференс быстрый: vLLM / SGLang / Ollama
• SDK и простая интеграция, open-source

Минусы:

• JSON schema для Information Extraction требует строгого соблюдения

Лицензия: MIT (layout - Apache 2.0) Ссылки: Hugging Face | GitHub

---

Сравнительная таблица

Модель	Параметры	Основной фокус	Бенчмарк	OCR / Doc score	Лицензия	Деплой
DeepSeek-OCR 2	3B	OCR + структура	OCRBench	+4% к v1, обходит Gemini Pro	Apache 2.0	HF, Unsloth
Step3-VL-10B	10B	Универсальная VLM	OCRBench	86.75	Apache 2.0	vLLM, OpenAI-API
PaddleOCR-VL-1.5	0.9B	OCR в поле	OmniDocBench v1.5	94.5	Apache 2.0	Paddle, Docker
GLM-OCR	0.9B	OCR + IE	OmniDocBench v1.5	94.62 (#1)	MIT	vLLM, SGLang, Ollama

---

Итоги

• По OmniDocBench лидеры: GLM-OCR (94.62%) и PaddleOCR-VL-1.5 (94.5%)
• Самые лёгкие и быстрые для продакшн: PaddleOCR-VL-1.5 и GLM-OCR
• Самые "умные" архитектурно: DeepSeek-OCR 2 с DeepEncoder V2
• Самая универсальная VLM: Step3-VL-10B (OCR лишь часть возможностей)

OCR и VLM достигли зрелости, позволяя внедрять распознавание документов в реальные продакшн-сценарии: от таблиц и формул до многостраничных PDF с кодом и печатями. Гонка за скорость, точность и "понимание" документов продолжается.

---

📚 Читайте также

• AI-опыт: как перестать конкурировать с тысячами кандидатов
• AI - это не про промпты
• Идеальное резюме: AI-конвейер и баланс обязанностей vs достижений
• Part-time, подписка или штат? В каком формате бизнесу нужен ИИ-стратег
• Собственная CMS на GitHub: как Copilot помогает писать, публиковать и анонсировать контент