GitHub OCR项目之王刚刚历史性易主。

诞生近40年、统治OCR领域的技术标杆Tesseract OCR，被中国开源拉下王座——

百度文心衍生模型PaddleOCR以73300+Star，正式登顶GitHub全球OCR项目榜，终结谷歌Tesseract OCR长期霸榜局面。

这也是中国开源在这一基础赛道上，首次拿下全球Star第一。

不仅如此，在Hugging Face上，PaddleOCR也长期处于OCR与文档解析领域的头部位置，已经成为全球开发者的必备工具。

消息一出，开发者社区瞬间炸开了锅。

从"跟跑"到"领跑"，大模型时代，中国开源项目正在用实力改写全球竞争格局。

超越谷歌Tesseract OCR，新王者诞生

在OCR领域，Tesseract OCR无疑是一座里程碑式的存在，它的发展历程跨越四十多年。

1985年，Tesseract OCR诞生于惠普公司的研发项目。彼时的OCR技术尚处于起步阶段，核心需求集中在商业文档的自动化识别与录入。

1994年，Tesseract OCR核心版本开发完成。在1995年美国内华达大学拉斯维加斯分校（UNLV）组织的OCR评测中，Tesseract OCR凭借优异的印刷体识别精度，跻身全球顶尖OCR引擎行列。

不过，随着惠普业务重心的调整，1996年后，Tesseract OCR的研发工作几乎陷入停滞。直到2005年，惠普决定将Tesseract OCR开源。

转折点出现在2006年，谷歌看中了Tesseract OCR的技术潜力，接过手来将其纳入自身开源生态体系。研发团队修复了大量历史遗留的bug，优化了引擎的运行速度和兼容性，更紧跟技术潮流，推动其完成了从传统算法到深度学习的跨越。

但技术世界的法则从来如此：没有永恒的王者，只有持续迭代的创新。

由文心大模型衍生而来的PaddleOCR，正是这场变革的引领者。

PaddleOCR的登顶，并非一朝一夕之功。它诞生于2020年，是深度学习时代下原生基于深度学习技术构建的模型。

2023年，大模型浪潮席卷整个AI行业，OCR赛道也迎来代际更替。文心大模型的持续高速迭代，直接为PaddleOCR带来了全新的能力天花板。

PaddleOCR的技术优势

一个负责"看"：用高精度的文本提取能力，把文档中的文字、表格、公式准确捞出来，为大模型提供"食材"。

一个负责"懂"：文心大模型快速迭代，在多模态方向实现突破，视觉理解、跨模态融合、结构化输出，能力版图一步步补齐。文心不仅能消化这些信息，还能反哺PaddleOCR，让它真正理解复杂文档的逻辑脉络。

这种协同直接推动了PaddleOCR的爆发式增长。

技术突破：5M参数模型硬刚千亿模型

PP-OCRv5提出的是一个反直觉的事：参数不一定是越大越好。

模型参数仅5M，却能在手写、多语言、自然场景下表现超越GPT-4o等千亿参数的大模型。

答案是"数据为中心"的系统化优化策略。

在内部多场景基准测试中，PP-OCRv5加权准确率从PP-OCRv4的53.0%大幅提升至80.1%，在OmniDocBench上，该模型以5M参数实现0.067的平均归一化编辑距离，在专用OCR模型中达到最优水平。

为什么AI厂商都在抢OCR？

如果把过去半年AI圈的热闹拉出一条时间线，会发现一个清晰的现象：

近半年，从巨头到创业公司，国内外OCR赛道迎来集体爆发。

为什么这么卷？两个字：数据。

互联网公开的高质量数据快被"啃"完，模型训练面临数据亏空。行业广泛判断，大量有价值信息仍沉淀在文档、书籍、合同、表格、扫描件等离线载体中。

OCR就是那把钥匙。

这些海量非结构化信息，无法直接被大模型理解与利用，必须经过OCR，将图像中的文字、版面结构、表格、公式等转化为机器可处理的电子化文本。

现在，它是大模型数据生态的基座，是Agent理解真实世界的"眼睛"，是大模型变聪明的"钥匙"。

中国开源的里程碑

PaddleOCR的登顶，为中国厂商在OCR赛道拿下了领先身位。它背后折射出的，是中国开源整体实力和全球影响力的加速赶超。

从底层基础设施到前沿技术突破，中国开源正在越来越多的赛道上拿出世界级的表现。OCR，只是其中一块拼图。

---

来源：量子位