最近看到百度PaddleOCR团队有一篇论文入选了ECCV 2026，关于他们内部怎么构建文档解析基准测试的。

看完之后觉得挺有启发，推荐大家有空去翻翻原文。

论文讨论了一个很多人可能都碰到过但没深想过的问题：为什么现在的OCR模型在论文里表现都很好，一到实际业务中就各种翻车？

你去用那些OCR工具的时候，会发现一个很有意思的现象。你给它一份PDF，排版工整的那种，识别得又快又准，表格、公式全都没问题。

但你换成一张手机拍的照片，纸有点卷边，光线不太均匀，可能还拍歪了一点，结果就开始出问题了。

1现在主流的OCR评测基准，用的基本都是比较干净的数字化文档。

原生渲染的PDF、高质量扫描件，版面规整，光照均匀。模型在这种数据上刷出很高的分数，大家就觉得问题已经解决了。

但真实业务里你碰到的文档长什么样？

可能是会议室里用手机翻拍的PPT屏幕，带着一层摩尔纹。也可能是在台灯底下拍的报销单，左边一块阴影，右上角一块反光。

百度PaddleOCR团队没有去刷已有的排行榜，而是先退一步问了一个更根本的问题：我们现在用来评价OCR的那把尺子，是不是本身就量错了地方？

他们做的这个基准测试叫Real5-OmniDocBench。

做法很直接：把1355页测试文档真的打印出来，然后放到扫描、弯折、屏摄、复杂光照、倾斜拍摄

五种真实物理场景里重新采集，真的拿纸、拿手机、在不同光线条件下实拍。

这五类场景的选择很有讲究。

扫描件里包含了歪斜进纸和装订遮挡，这是办公室里最常见的问题。

弯折类覆盖了对折、卷曲、揉皱、折角，考的是模型处理非刚性变形的能力。

屏幕翻拍从显示器到手机全都有，摩尔纹和二次成像损失是主要干扰。

复杂光照涵盖了暗光、阴影、彩色光、过曝。倾斜拍摄则从各种角度考透视变形的应对能力。

你把这五类拼在一起看，基本就是你日常能碰到的所有物理干扰的全集了。

2更让我觉得考究的，是采集过程中的取舍。

打印用的是佳能C5840、1200 dpi，根据原始页面尺寸分A3和A4，尽量保留字体和版面比例。

手持拍摄用了iPhone、小米、OPPO这些主流设备，这些都是为了让采集条件贴近真实用户的设备环境。

然后他们做了一个很重要的区分：什么算真实干扰，什么算采集事故。

严重失焦、错页、极端过曝这些，在实际业务里你也会用规则过滤掉，不算有效测试样本。

但摩尔纹、轻微阴影、清晰度下降、局部反光，这些是你在真实部署中一定会碰到的，必须保留。

这个标准背后其实藏着一个判断：基准测试的目的不是刁难模型，而是模拟真实部署现场。

你不能把所有噪声都清理干净，因为用户不会帮你把每张照片都拍得完美；但你也不能什么都往里塞，因为有些东西连人都看不清的话，拿来测模型也没意义。

最终形成了6775个和原始页面一一对齐的实拍样本。

同一页文档，你既有干净的数字版本做参照，又有五种物理条件下的实拍版本做对比。哪个场景掉了几分、哪个模块出了问题，一目了然。

3

那测出来的结论是什么呢？

PaddleOCR-VL-1.6，参数量0.9B，总分93.19。

五个场景都很均衡，Scanning 94.74、Warping 92.48、Screen-Photography 92.78、Illumination 93.28、Skew 92.66。

而Gemini-3 Pro总分89.24，Qwen3-VL-235B是88.90。后者的参数量是前者的两百多倍。

传统Pipeline工具在倾斜拍摄场景下掉分更明显。

4

这是百度PaddleOCR最新的技术进展之一，也是他们作为全球领先OCR开源项目持续迭代的一个缩影。

PaddleOCR-VL-1.6之所以能在参数量不大的情况下保持领先，核心不在于它单纯地小，而在于百度团队在架构和训练上对真实物理场景做了大量针对性优化。

文档解析的瓶颈不只在语义理解。

你模型再大、语言能力再强，如果对视觉几何变形、局部光照变化、屏摄伪影这些物理层面的干扰没有针对性的处理能力，碰到真实场景照样会出问题。

Real5-OmniDocBench做的事情，是给OCR的评价体系换了一把尺子。

而且它不只给一个总分，还能告诉你具体是弯折场景掉了分，还是光照场景掉了分，是诊断工具，不只是排行榜。

论文里还有很多采集和标注的细节，但这个底层思路的转变很有价值：与其在已有的干净数据上继续内卷，不如先把评价标准拉回到真实世界。

只有当模型能在扫描、弯折、屏摄、复杂光照和倾斜拍摄下都保持稳定，文档解析才算真正接近可以落地的状态。

如果你也在做文档解析相关的工作，很推荐去看一下原文，非常有收获。