自己出题自己考，这家公司的OCR模型拿了第一

OmniParseBench成了Papers with Code上的原生基准。Niels Rogge 发了条推文宣布这事，同时放出了完整排行榜。

OmniParseBench在Papers with Code上的排行榜截图，展示了各模型在布局、表格等维度的得分

这个基准由Datalab开发，16,288个是/否测试，覆盖2,937页文档、2,343份文件、92种语言。跟之前常用的olmOCR-bench不同，它把表格、数学公式、手写体、旋转页面、表单、小字、退化扫描都拆开计分，每道测试都能定位到页面上具体哪个位置出了错。

Datalab的创始人Vik Paruchuri同一时间发了另一条推文：他们用同样的测试跑了17个开源OCR模型，每个模型按厂商自己的推荐配置部署。

开源OCR模型在OmniParseBench上的得分与参数量对比图

排名结果：

模型	参数量	总分	文本	表格	布局
chandra-ocr-2	4.5B	90.1	87.4	87.4	95.4
dots.mocr	3.0B	87.9	82.5	88.6	92.5
MinerU2.5-Pro	1.2B	87.1	77.4	92.1	91.7
Infinity-Parser2-Pro	35.1B (MoE)	87.0	83.3	84.1	93.5
Surya OCR 2	0.67B	83.1	80.6	74.3	94.3
LightOnOCR-3-4B	4.5B	82.9	83.9	70.8	94.0
GLM-OCR	1.3B	81.5	71.0	84.2	89.3
Nemotron 3.5 Parse	0.63B	80.0	72.4	77.3	90.2
DeepSeek-OCR-2	3.4B	75.2	64.2	70.0	91.4
Indra OCR	12.3M	71.4	62.7	59.6	92.0
HunyuanOCR	1.0B	64.6	50.5	61.9	81.4

chandra-ocr-2拿了90.1，比Mistral OCR的89.5、Claude Sonnet 5.5的88.7、GPT-5.6 Sol的87.8都高。距离Datalab自己API的最高分93.5只差3.4分。

问题来了。chandra-ocr-2是Datalab自己的模型。Surya OCR 2也是。榜单前三里两个来自评测方。

Vik自己在回复里先说了："当一个人自己的模型排在榜首时，这事总是有点可疑。"然后他放出了所有adapter和数据集，每个模型的部署参数、prompt、输出解析方式都列在博客里，分数可以在GitHub和HuggingFace上逐条审计。

另一个值得看的数据是表格。很多人以为OCR模型在表格上的失败是认错了字，实际不是。大部分失败是结构问题。合并单元格、多级表头处理不好，值就跑到错误的列下面去了。LightOnOCR-3的4B模型文本得分83.9，比dots.mocr的82.5还高，但表格得分只有70.8，差了快18分。MinerU2.5-Pro在表格上拿了92.1，是开源模型里最强的，但它的文本得分只有77.4，偏科明显。

各开源OCR模型在文本、表格、布局三个维度的分项得分

为什么不用olmOCR-bench？Datalab在博客里给了理由：那个基准里大约3-4%的测试标准答案有误或者规则太主观，真实天花板在96-97%左右，顶尖模型已经贴着天花板了。剩下的提升空间来自针对benchmark专门写的后处理代码。LightOn的表格显示，Infinity-Parser2-Pro原始得分85.9，加了后处理87.6；LightOnOCR-3-4B原始85.0，归一化后86.3。那些后处理器各约700行代码。一个点的差距比榜单上大部分模型的间距都大。

手写体和非英语页面是开源模型最明显的短板。chandra-ocr-2在手写体上拿了66.8，已经是开源里最高的，Gemini 3.8 Flash拿了79.4。Nineteen个模型里有一半在手写体上不到55分。

选型建议其实很清楚：要综合最强，chandra-ocr-2、dots.mocr、MinerU2.5-Pro、Infinity-Parser2-Pro四个在3.1分之内。要表格，MinerU2.5-Pro和dots.mocr。要文本和手写，chandra-ocr-2领先。只有CPU，Indra OCR，12.3M参数，4核上中位页面357毫秒。

Vik在另一条回复里说，这些分数和他们的"vibe test"基本吻合，dots.mocr和MinerU确实很强。有人问Docling是不是被比下去了，他没回。有人问OXR怎么样，他说还没试过，会看看。

一个benchmark的可信度不取决于第一名是谁，取决于最后一名能不能被复现。Datalab把所有adapter开源了，每个模型的配置写在博客里，数据集放在HuggingFace上。你可以不服，但你可以自己跑一遍。

参考来源：

Niels Rogge推文：https://x.com/NielsRogge/status/2114632691048214765
Vik Paruchuri推文：https://x.com/VikParuchuri/status/2114054449043751293
Datalab博客：https://www.datalab.to/blog/open-ocr-models-omniparsebench
GitHub仓库：https://github.com/datalab-to/omni_parse_bench
HuggingFace数据集：https://huggingface.co/datasets/datalab-to/omni_parse_bench