OCR 模型与本地样例评测#
本页内容2 个部分
这是一份本地小样本观察记录。模型 revision、完整推理配置、重复次数和计时边界未在原记录中完整保存，因此下面的速度与质量结论只适用于这些样例，不是通用模型排名。
1. 架构与调用流水线#
| 维度 | Logics-Parsing-v2 | PaddleOCR-VL | DeepSeek-OCR-2 |
|---|---|---|---|
| 范式 | 端到端单模型 MLLM | VLM；本次经文档解析流水线调用 | 端到端单模型 MLLM |
| 基础模型 | Qwen3-VL (Qwen3VLForConditionalGeneration),阿里 Logics 团队微调 |
PaddleOCR-VL-0.9B；本次通过 PaddleOCRVL pipeline 调用 |
DeepSeek-VL2 衍生,自研 DeepEncoder v2(SAM-ViT-B + Qwen2 decoder-as-encoder + MLP projector) |
| 视觉编码 | Qwen3-VL 原生 ViT | NaViT 风格动态分辨率视觉编码器；流水线另含版面处理 | 动态分块:(0-6)×768×768 + 1×1024×1024 → (0-6)×144 + 256 视觉 token,极致压缩("Visual Causal Flow") |
| 解码器 | Qwen3 LLM | ERNIE-4.5-0.3B | DeepSeek MoE 语言解码器（公开配置为 DeepseekV2ForCausalLM）；不要与视觉端 Qwen2 模块混淆 |
| 训练语料 | 本次输出不足以反推具体语料 | 以官方报告为准 | 以官方报告为准 |
| 本次脚本输出 | *_raw.html(带 data-bbox、class="formula/code/image/chart/music/chemistry/pseudocode/table")+ *.mmd + *_vis.png |
page_NNN.md(嵌入 <img> + LaTeX) + page_NNN_res.json(全量 bbox) |
result.mmd + result_with_boxes.jpg + 裁剪好的 images/ |
| 图片裁剪到磁盘 | ✗ 仅给 bbox 占位 | ✓ imgs/img_in_chart_box_*.jpg |
✓ images/0.jpg |
| 部署 | HF transformers | Paddle 流水线(加载 ~18s) | HF + vLLM 双路径 |
模型结构与外围流水线要分开比较：HTML／Markdown、裁图和文件命名有一部分由提示词与后处理决定。输出 LaTeX 宏不能证明使用了对应论文的源码训练，更不能单凭这种现象推断语料泄漏。
2. 本地评测记录#
原记录环境标注为 L20X 140GB, bf16, flash-attn-2；硬件型号、显存口径和各后端是否都使用这些设置，尚无完整日志可复核。以下保留观测值。
测试集:Bench/arxiv_control.pdf(双栏控制论)+ Bench/arxiv_numbertheory.pdf(单栏解析数论)。原实验工作区中的报告路径为 Outputs/REPORT.md、Outputs/SIDE_BY_SIDE.md 和 Logics-Parsing/COMPARISON.md；这些材料未随本站发布。
2.1 速度(秒/页)#
| Page | Logics-v2 | Paddle-VL | DeepSeek-OCR-2 |
|---|---|---|---|
| control/p1 | 50.3 | 20.4 | ~30 |
| control/p2 | 70.5 | 24.5 | ~40 |
| nt/p1 | 61.3 | 14.8 | ~25 |
| nt/p2 | 73.6 | 20.4 | 39.2 |
| 均值 | ~64 | ~20 | ~34 |
2.2 质量（以下均为本次样例的观察）#
- 数学保真度(最关键的差异点):
\mathbf{A}_{\overline{\mathbf{F}}_q}^1(代数闭包横线):Logics ✓ / Paddle 丢横线 / DeepSeek 丢横线 + 丢粗体\stackrel{?}{\ll}_{K,\pi,V}:Logics ✓ / Paddle 下标作用域错位 / DeepSeek ✓\Re s = 1/2:Logics ≈✓ / Paddle ✓ / DeepSeek 输出\Re e s(把 Re 拆成\Re+ 多余的e)
- Lean Unicode 算符(
•ᵥ,•ₙ,*ᵥ):只有 Logics 完全保留;DeepSeek 退化为· v,Paddle 折叠成下划线 - 代码块识别:仅 Logics 标注
<div class="code">,Paddle/DeepSeek 输出为普通段落,缩进丢失 - 脚注/资助信息:仅 Logics 保留
\footnotetext{},另两家静默丢弃 - Markdown 标题:Paddle/DeepSeek 输出真正的
##/####;Logics 退化为含字面#的段落 - 图片像素:Paddle/DeepSeek 自动裁剪保存;Logics 仅给 bbox
- 错字:DeepSeek 出现
Berkan(应为Berkane);Paddle 把正文段当成##标题
2.3 对后续选型的初步提示#
| 场景 | 推荐 |
|---|---|
| Lean / 形式化数学 / 代码密集型 PDF、严格数学保真 | Logics-v2 |
| 干净 Markdown + 自动裁图、追求速度 | Paddle-VL（本记录均值约为 Logics 的 1/3.2） |
| 综合速度 + 质量折中 | DeepSeek-OCR-2(但本语料上错字最多) |
架构资料：Logics-Parsing 官方仓库、PaddleOCR-VL 官方模型卡、DeepSeek-OCR-2 配置。后续复测应固定版本、图片分辨率、生成长度、计时范围，并增加独立文档和重复运行。