中国电信星辰通用人工智能实验室开源文档解析模型 TeleOCR。该模型采用约 1.2B 参数的轻量级视觉语言架构，在单一框架内统一处理数字文档与相机拍摄文档，并将文字、版面、表格、公式和科学图表转换为可直接使用的结构化结果。

TeleOCR 在 OmniDocBench v1.6 取得 96.87 总分，登顶 OmniDocBench v1.6 榜单，超越 MinerU2.5-Pro、PaddleOCR-VL-1.6、OvisOCR2 等同类专业模型。此外，TeleOCR 同步拿下 PureDocBench 榜首，同时获得文档权威赛事 ICDAR-2026 科学图解析挑战赛冠军。

开源地址：

• 模型链接：https://www.modelscope.cn/models/XingChen-AGI/TeleOCR
• 代码仓库：https://github.com/caipeng328/TeleOCR
• 技术报告：https://arxiv.org/abs/2608.12898
• 在线体验：https://www.teleai.com.cn/docparse/documentParsing

 

基准测试指标

星辰文档解析模型 TeleOCR 在多项能力测试中均取得亮眼成绩，直接看它的指标：

• 在数字文档解析方面：TeleOCR 在 OmniDocBench V1.6 的文本识别（97.22）、表格解析 TEDS（97.05）和公式 CDM（96.36）上表现突出。其中，表格解析 TEDS（97.05）超越 OvisOCR2（94.8）、PaddleOCR-VL 1.6（94.76），大幅超过 MinerU2.5-Pro（93.42）；文本识别（97.22）同时超过 PaddleOCR-VL 1.6（96.7）和 MinerU2.5-Pro（96.4）。
• 在真实文档解析方面：TeleOCR 在 Wild-OmniDocBench 的文本识别（88.3）、表格解析 TEDS（89.05）和公式 CDM（88.26）上展现出较强表现。其中，Wild-OmniDocBench 表格解析 TEDS（89.05）超过 OvisOCR2（85.13）和 PaddleOCR-VL 1.6（81.31），公式 CDM（88.26）同时超过 MinerU2.5-Pro（85.0）和 GLM-OCR（79.7）。
• 在多场景综合解析方面：TeleOCR 在 PureDocBench 的 Clean（86.90）、Digital Degraded（77.47）和 Real Degraded（70.85）上表现突出。其中，Clean（86.90）超过 OvisOCR2（81.55）和 FD-RL（78.38），Real Degraded（70.85）同时超过 OvisOCR2（66.56）和 Logics-Parsing-v2（67.64）。

在各类文档解析能力中，科学图解析是难度最高的能力之一，涉及图表元素识别、数据提取与逻辑理解等多重挑战。针对这一难点，星辰文档解析模型 TeleOCR 开展了专项优化，最终凭借总分 41.81 的成绩，夺得文档权威赛事 ICDAR-2026 科学图解析挑战赛冠军。

场景实测效果

星辰文档解析模型 TeleOCR 在场景实测中同样表现优异，直接看它的效果：

• 复杂拍摄文档：感知文档区域的几何形变，精准恢复扭曲区域的空间位置。

• 复杂表格：精确还原跨行跨列、单元格合并的复杂表格，行列表系不乱、不串位。

• 复杂扭曲表格公式：结构化解析公式语义与语法结构，实现公式的符号级准确恢复。

除此以外，星辰文档解析模型 TeleOCR 还可以直接提取论文里的图柱状图数据，并转换成结构化表格——这正是拿下 ICDAR 2026 科学图解析冠军的能力。

从识别文字到恢复结构

传统 OCR 主要完成“图像转文字”，但企业文档处理通常还需要回答三个问题：文字位于哪里、不同元素之间是什么关系、如何恢复为可计算的结构。合同、档案、科研论文和业务表单中常见的跨行跨列表格、复杂公式与科学图表，都要求模型同时理解局部字符、全局布局和语义组织。

这一问题在相机拍摄文档中更复杂。透视畸变、页面弯曲、旋转偏移、阴影和运动模糊会破坏版面逻辑，使依赖版面检测、图像校正和识别模块串联的传统流程容易产生误差累积。

TeleOCR 将数字文档与拍摄文档放入统一框架，直接完成版面与内容解析，无需额外部署独立的去畸变模型。输出可生成为 Markdown、JSON、表格和公式等结构化形式，便于继续接入知识检索、智能问答和业务自动化系统。

数据工程：让训练数据形成闭环

TeleOCR 的数据工程覆盖数据生成、清洗、质量评估与持续优化。核心由多节点共识投票、几何感知数据合成、图像到图像自验证和渐进式数据清洗组成。原始材料显示，该体系已形成千万级文档解析训练数据池，其中大部分生成数据不依赖人工标注。

多节点共识投票（MCV）：不同模型对同一文档并行预测，再通过一致性投票筛选高置信度伪标签，降低单一模型偏差对训练数据的影响。

几何感知数据合成：围绕旋转、透视畸变、尺度变化、页面弯曲与图像退化构造样本，让数字文档与真实拍摄文档在同一训练体系中完成对齐。

图像到图像自验证：模型将解析结果重新渲染，并比较视觉一致性，用于自动发现错误、筛选噪声和修正伪标签。

渐进式数据清洗：高一致性结果进入训练集，高分歧样本作为难例继续优化，形成“投票筛选—模型自训练”的数据闭环。

渐进式训练：结构与内容分别学，再联合对齐

TeleOCR 采用四阶段渐进式训练流程：先完成视觉语言对齐，再学习几何感知文档解析，随后进行内容—结构解耦学习，最后进入强化学习阶段。训练目标由基础感知逐步过渡到精细的文档内容与结构理解。

以表格任务为例，TeleOCR 构建两类互补数据。Structure-only 数据通过掩码去除文本，仅保留表格拓扑，强化模型对行列关系和跨行跨列结构的理解；Structure + Content 数据保留完整语义，使模型进一步完成结构与内容的联合对齐。

公式任务同样通过内容—结构解耦学习其语义与语法组织。

针对不规则页面形变，TeleOCR 引入几何感知建模与曲率引导的 Douglas-Peucker 采样（CGDP），显式学习文档边界和空间结构。模型因此能直接处理弯曲、折叠和透视畸变页面，而无需将去畸变作为独立前置步骤。、

本地部署与推理

TeleOCR 需要 Python 3.10 及以上版本，并需要支持 CUDA 的 GPU 环境。官方仓库提供 infer.py，支持批量处理图片，并可在 vllm-engine 与 vllm-async-engine 两种后端之间切换。

先拉取代码并安装依赖：

git clone https://github.com/caipeng328/TeleOCR.git
cd TeleOCR
conda create -n teleocr python=3.10 -y
conda activate teleocr
pip install -e .

 

从魔搭社区下载模型权重：

pip install modelscope
modelscope download --model XingChen-AGI/TeleOCR \
  --local_dir ./models/TeleOCR

 

准备输入与输出目录后运行批量推理：

IMAGE_SUB_PATH="/path/to/input/images"
RESULT_SAVE_PATH="/path/to/output/results"
 
python infer.py \
  --image_sub_path "${IMAGE_SUB_PATH}" \
  --result_save_path "${RESULT_SAVE_PATH}" \
  --use_async \
  --override \
  model_path="./models/TeleOCR" \
  BACKEND="vllm-async-engine" \
  LAYOUT_MODE="Detection"

 

LAYOUT_MODE="Detection" 适合常规数字文档；处理弯曲、折叠或其他真实退化页面时，可切换为 LAYOUT_MODE="Segmentation"。

MAX_MODEL_LEN、GPU_MEMORY_UTILIZATION、PDF_TOOLS 和 MAX_PIXELS 等参数可分别控制上下文长度、显存占用、PDF 处理后端与单页最大像素数。