你花大价钱买的最强模型，可能正在被一份烂解析毁掉。这句话不夸张：做 RAG、做知识库、做企业文档问答的团队，检索答错的锅，一大半根本不在模型，而在你把 PDF 喂给模型之前那一步——文档解析。双栏论文被拦腰截断、财报表格变成乱码、扫描件直接吐出火星文，这些都是传统文本抽取工具留下的“翻车现场”。海外 AI 圈过去一年悄悄把这条赛道卷成了军备竞赛，而国内大部分人还在用三年前的老办法切 chunk。今天这篇文章，把这条赛道上最值得上手的三件“新刀”讲清楚：Ai2 的 olmOCR 2、DeepSeek 的 DeepSeek-OCR、Datalab 的 Marker，顺带告诉你一个反常识的事实——这个赛道的榜单，其实是中国团队在领跑。
先说病根。过去大家处理 PDF 的标准动作是：用 PyPDF2、pdfplumber 这类库把文本抽出来，切分成 chunk，塞进向量库。这套流程在“文字型、单栏、无表格”的理想文档上勉强能用，但真实世界的文档长什么样？
一份学术论文：双栏排版、公式、参考文献。传统抽取器会按物理坐标把左栏右栏混着切，读出来的句子驴唇不对马嘴。一份财报：复杂合并表格、跨页表头。抽出来之后行列关系全丢，模型只能瞎猜。一份合同扫描件：根本不是文本，是图片，传统抽取器直接空手而归。
2024 年起，海外圈子的解法集体换了路线：别再“抽取文本”了，直接让视觉模型“看”这一页，输出结构化的 Markdown。表格转成 Markdown 表格、公式转成 LaTeX、阅读顺序自动还原。判断好坏也不再拍脑袋，而是有了专门榜单 OmniDocBench，把编辑距离、表格还原度、公式识别率一项项算分。这条赛道上的玩家，既有开源模型派，也有按页收费的 SaaS 派，价格从免费到千页几美元不等——对做企业内部知识库的人来说，这是过去一年性价比提升最猛的一环。
仓库：https://github.com/allenai/olmocr
olmOCR 出自美国非营利研究机构艾伦人工智能研究所（Allen Institute for AI，Ai2）。第一版 2025 年初开源时就以“文档级视觉解析 + Apache 2.0 许可证”出名；2025 年秋发布的 olmOCR 2 是一次大升级：约 7B 级别的视觉语言模型，专门针对文档解析训练，配套的 olmOCR-Bench 提供了可复现的评测基准。它的训练思路也值得一看——用“单元测试式奖励”做强化学习，比如表格解析结果只要能被程序正确执行还原就算对，这让评测变得很硬核，不容易“刷榜”。
为什么值得关注：一是许可证干净，Apache 2.0 意味着商用零门槛，这一点在开源解析工具里相当难得；二是它是为“批量数字化”设计的，适合手里有几万页扫描档案、想把它们变成可检索语料库的团队；三是 Ai2 连训练数据和配方都开源了，想自己微调私有文档风格（比如病历、法律文书）的人有现成起点。
价格：模型本体免费，成本就是你的 GPU。消费级和入门级数据中心卡都可以跑推理，具体显存要求以仓库 README 为准。
和国内方案对比：国内同类型的开源自托管选择是上海人工智能实验室的 MinerU（https://github.com/opendatalab/MinerU），中文文档支持更好、社区活跃，但商用前要看清其许可证的传染性条款。中文语料为主、且介意许可证的，MinerU 谨慎评估后再上；英英混排、想商用无忧的，olmOCR 2 更省心。
仓库：https://github.com/deepseek-ai/DeepSeek-OCR
2025 年 10 月，DeepSeek 悄悄开源了这个小模型，当时在 Hacker News 上讨论热度很高。它的卖点有两个层面。工程层面：3B 级别的小模型，消费级显卡可跑，官方口径下十倍压缩以内解析精度约 97%——也就是说一页文档只需要一千个左右的视觉 token 就能还原，比把纯文本原样塞进上下文还省。概念层面：它提出了“上下文光学压缩”（contexts optical compression）的思路——长文本可以“拍成一张图”存起来，用更少的 token 承载更多信息，甚至畅想了 forgetting 压缩：人不需要记住原文，需要时再解码。
为什么值得关注：对你最实际的价值是“token 经济学”。做长文档问答时，一页 PDF 用文本方式塞进去可能要两三千 token，DeepSeek-OCR 压到一千上下，长文档场景的成本直接打对折还多。这个小模型本身也能当纯 OCR 用，中文表现不俗。
价格：完全开源免费，一张消费级卡就能玩起来，仓库里给了 transformers 和 vLLM 两套部署方案。
怎么用：clone 仓库 → 按官方脚本下载权重 → 用自带的 demo 脚本喂图 → 拿到 Markdown 输出。想省事的话，社区已有把它接进 vLLM 的服务化方案，具体以仓库文档为准。
仓库：https://github.com/datalab-to/marker
Marker 的作者是工程师 Vik Paruchuri，后来围绕它成立了公司 Datalab。它是这波“PDF 转 Markdown”浪潮里最早出圈的开源项目之一，至今仍是很多 RAG 教程的默认选项：表格、公式、章节结构还原稳定，速度快，支持 GPU 批量处理。
为什么值得关注：它代表“开箱即用”路线的天花板——pip 一行装好，几行代码把一个 PDF 目录批量变成干净 Markdown，直接接 LangChain/LlamaIndex 的 ingest 流程。对不想折腾模型部署、想要“能跑就行”的团队，Marker 是最短路径。
价格与许可证的坑：这是本文最想让你记住的“认知差”。Marker 是 GPL 类许可证，而且对年收入超过特定门槛的公司有额外的商业授权条款——个人和小团队白嫖没问题，拿它做公司产品前，务必读一遍仓库里的授权说明（以官方 README 为准）。不想碰许可证问题的，要么用官方云 API 按页付费（千页几美元量级，以官网报价为准），要么换 Docling（https://github.com/docling-project/docling，IBM 出品，MIT 许可证，工程集成做得非常细）。
海外视角看多了，容易有个错觉：好东西都在大洋彼岸。文档解析赛道恰恰相反。在 OmniDocBench 榜单上，前排长期站着一批中国团队的模型：小红书 hi lab 的 dots.ocr、上海 AI Lab 的 MinerU、百度的 PaddleOCR-VL（0.9B 的小模型，发布时登顶过该榜单），再加上本文的 DeepSeek-OCR。中文文档解析这个单项，国产开源基本是碾压局。
所以正确的姿势是两头抄：模型能力，优先用国产开源（中文效果好、免费、可自托管）；工程化和许可证设计，学海外（Ai2 的 Apache 2.0 干净度、Datalab 的开源+商业授权双轨制、IBM Docling 的企业级集成思路）。这个组合拳，目前国内还在折腾选型的人，大多没想明白。
| 维度 | 你可能以为的 | 实际情况 |
|---|---|---|
| PDF 处理 | PyPDF2 切一切就行 | 视觉解析已成标配，老方法在双栏/表格/扫描件上必然翻车 |
| 开源解析 | 都有许可证坑 | olmOCR 2 是 Apache 2.0，商用零门槛；Marker 有收入门槛条款 |
| 成本 | 解析很贵 | 3B 级小模型一张消费级卡能跑，边际成本趋近电费 |
| RAG 答错 | 换更强的模型 | 先查解析质量，大概率是文本在入口处就烂了 |
| 榜单格局 | 海外遥遥领先 | OmniDocBench 前排是 dots.ocr、MinerU、PaddleOCR-VL、DeepSeek-OCR |
路线决策一张图：
flowchart TD
A["一堆PDF要喂给AI"] --> B{"什么文档"}
B -->|论文财报合同| C{"能上GPU吗"}
B -->|纯文字书稿| D["老工具能凑合"]
C -->|能| E["olmOCR 2自托管"]
C -->|不能| F["云API按页买"]
E --> G["Markdown进RAG"]
F --> G
D --> G
G --> H["解析质量抽检10页"]
H -->|表格错乱| I["换DeepSeek-OCR对比"]
H -->|达标| J["接入向量库"]
I --> G
具体三步走：
一句话收尾：模型再强，也救不了入口处的烂文本。在给模型涨工资之前，先把它的眼睛治好。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。