最近盯文档解析这块的人，大概都有同一种感觉：榜单上的冠军，快不够用了。
今年7月，阿里的OvisOCR2宣称以96.58分拿下OmniDocBench v1.6文档解析榜第一。知乎没过多久，百度发布PaddleOCR-VL-1.6，在同一榜单上拿到96.33分。而就在昨天，中国电信的NaviDC-OCR把分数刷到96.87，真正坐上了榜首。知乎
再看一眼最新排名：NaviDC-OCR第一、OvisOCR2第二、PaddleOCR-VL-1.6第三、MinerU2.5-Pro第四，前四名分差不到1.2分，每家的宣传稿却都把自己写成了唯一的赢家。顺带一提，PaddleOCR并不是突然冒出来的新面孔：早在今年3月底，它就登顶了GitHub全球OCR项目榜，把谷歌Tesseract拉下了霸榜近40年的位置。微博
可另一边，打开B站任意一条文档解析对比视频，点赞最高的评论往往是一句不带任何数据的话——“省流：用MinerU”。哔哩哔哩
一边是几家大厂轮流晒跑分，一边是评论区一句朴素到极致的结论。只是想把手里的扫描版PDF变成能用的文字，到底该听谁？我翻了最近知乎、B站、小红书上的讨论，又挖了几个热门整合包的评论区，把下载之前必须搞懂的三件事整理给你。
真相一：MinerU跑的，其实是百度的引擎
8月中旬，MinerU更新到3.4版本，更新公告写得很直白：这一版底层换上了百度的PP-OCRv6模型，整体识别准确率比旧版提升11%，解析速度直接翻倍。知乎
也就是说，这场看起来势同水火的阵营战，其实是同一台引擎上的两种改装。PP-OCRv6是百度今年开源的新一代轻量OCR引擎，用它的不只MinerU：有工业团队把它通过TensorRT部署到GPU，400张生产样图实测，稳态推理单张只要40毫秒左右。知乎Java生态里有人把它封装成一行代码就能接入的组件，还有人把它塞进香橙派这类边缘开发板。所以更准确的说法是：PaddleOCR阵营提供引擎，MinerU阵营是这套引擎上最成熟的整车之一。识别底座是同一套，真正拉开差距的是交付方式、默认配置和上手门槛。
这么看，“省流：用MinerU”不算说错——对不想碰命令行的普通人，它开箱体验更顺、CPU路线更成熟。但这也不是“PaddleOCR输了”，百度的引擎只是以另一种方式赢了。
真相二：别问谁跑分高，先问你的电脑跑不跑得动
跑分和易用性之间的鸿沟，在硬件这一关最明显。B站最火的PaddleOCR-VL-1.6整合包，评论区基本成了报错交流现场：
有GTX 1660用户问能不能跑，UP主直接回复：“1660 显卡用不了”。哔哩哔哩这类整合包走vLLM推理，对显存和算力有硬性要求，还有人卡在vLLM服务300秒未就绪的超时报错上。
有人问“只有cpu可不可以运行？慢点没事”，底下给出的方案很干脆：换MinerU的整合包，这个支持cpu。
Windows上还有一个典型坑：解压目录路径太深、文件夹名太长，会直接报缓存写入错误。评论区有人支招：把目录挪到D盘根目录、改名成PaddleOCR，就加载成功了。
VL-1.6是个0.9B的视觉语言模型，榜单成绩是在合适的算力上跑出来的；落到一台老显卡或集显机器上，等你的可能只有满屏超时。刚登顶的NaviDC-OCR也一样，这类榜单模型主要面向有GPU资源的团队。所以选工具的第一问从来不是“哪个准”，而是“我的显卡是什么水平”。
真相三：转出来干嘛，决定你走哪条路
第二个问题：你转PDF是为了什么？两种目的对应两条完全不同的路。
喂AI、搭知识库、做记忆卡。 这是目前最热的用法。小红书上“codex加paddleocr，把pdf文档变知识库”的笔记能拿到几百个收藏。小红书知乎上有人把扫描版肖1000习题册转成markdown，拆成了1147张Anki卡片。知乎
作者最后那句总结值得抄下来：转换只是入口，决定成败的是质检设计。这条路的产出物是结构化markdown，标题、表格、阅读顺序都得对。社区里踩的坑也很集中：有人把PDF传进知识库，系统不报错，切分数量却是0。知乎正确的姿势是先探一下PDF有没有文本层：能直接提取就别浪费OCR；纯扫描件走通用识别；遇到表格、公式、双栏，再开完整排版解析，最后切块入库。不然跑一整晚，检索照样抓瞎。
转成可编辑的Word、Excel。 如果是为了办公编辑，预期要放低。还是那个整合包的评论区，有人想把几百页pdf表格导出excel，得到的回复只有两个字：不能。哔哩哔哩Word导出可以用，但也有公式导出后显示异常的反馈。现阶段免费开源方案还不是几百页表格文档的一键方案，人工核对的环节请留出来。
三个问题，替你做决定
显卡是什么？近几年的N卡、显存够，可以试VL-1.6这类VLM整合包或MinerU的混合模式；老卡、集显、纯CPU，从MinerU的CPU路线或PP-OCRv6轻量路线起步。
要什么输出？喂AI、搭知识库，优先能出结构化markdown的；要Word、Excel，免费工具目前是“能用，但得人工核对”。
文件涉不涉密？这些开源方案都支持完全本地跑，文档不出自己的机器，这是对在线转换网站最大的优势。实在不想装，PaddleOCR官网有免费解析额度，每日免费页数已经从1万提升到2万。微博先拿真实文件试一遍，比看十篇评测都管用。
两个值得盯的方向，别只盯榜单
一是速度。百度开源的HPD-Parsing，把1B文档解析模型的解码步数最高压缩18倍，宣称解析效率提升3倍。知乎它的出发点是个反直觉的发现：文档解析模型真正慢的地方，不在“看”，而在“写”。
二是垂直化。MinerU这边，用扩散解码、宣称提速3.2倍的MinerU-Diffusion已经发布。知乎专攻化学文献的MinerU.Chem也出了技术报告。知乎新王NaviDC-OCR则主打弯曲、褶皱的拍照文档场景。一套模型吃下所有文档的时代，正在过去。
下次再有人问“PaddleOCR和MinerU选哪个”，把这三句甩给他：先看显卡，再看要导什么格式，最后看文件能不能上云。榜单冠军每周都可能换人，只有在你电脑上跑得动、导得出你要格式的那个，才是真的你的。
