Локальный OCR для документов: какие модели выбрать в 2026 и как запустить

01Почему OCR стал задачей визуальных моделей

Классический OCR — конвейер из трёх независимых моделей: детекция строк, распознавание символов, разметка структуры. Ошибка на любом шаге не исправляется дальше. VLM-подход решает задачу одним проходом: страница подаётся как изображение, модель возвращает текст вместе с разметкой, а порядок чтения и таблицы она выучила на разметке документов, а не на правилах.

Практическая разница видна на сложных страницах. Таблица с объединёнными ячейками, колонтитул, рукописная пометка на полях, повёрнутый скан — для конвейера это отдельные флаги и костыли, для VLM — часть одной задачи. Цена — требования к памяти и склонность моделей иногда «додумывать» текст, особенно на повреждённых сканах.

02Карта моделей: что реально скачивают

Расклад сил понятен: два лидера примерно равны — байдусовский Unlimited-OCR (2,13 млн загрузок, 4852 лайка) и DeepSeek-OCR (2,09 млн, 3450 лайков). Третья строка у GLM-OCR от zai-org с 2,65 ГБ весов — заметно компактнее лидеров при 1,7 млн загрузок. Ниже идут две модели Datalab: surya-ocr-2 (686 млн параметров) и chandra-ocr-2 (5,3 млрд), обе под лицензией OpenRAIL.

03Как устроен локальный пайплайн

Любая из этих моделей работает не с PDF напрямую, а с изображениями страниц. Поэтому пайплайн всегда одинаковый по структуре, отличается только шаг распознавания — CPU-модель на ONNX или VLM на GPU.

04Сколько нужно железа

Считаем от фактических размеров файлов, а не от маркетинговых обещаний. Веса в bf16 занимают столько же, сколько весит файл модели, плюс запас на активации и кэш внимания — для длинного документа он растёт вместе с числом токенов.

05Запуск: CPU за минуту, GPU за полчаса

Начните с CPU-варианта, если задача — текст, сканы и печатные документы. Он ставится одной командой и не требует ни видеокарты, ни PyTorch: внутри ONNX Runtime, OpenCV и pypdfium2.

pip install indra-ocr

indra-ocr paper.pdf

indra-ocr *.pdf --out results/

indra-ocr scan.png --format json

GPU-путь нужен, когда документы сложные: формулы, таблицы с объединёнными ячейками, плохие сканы. Ниже — минимальный пример для Unlimited-OCR из официальной карточки модели, с режимами gundam (одна страница, кроп) и base (многостраничный документ).

from transformers import AutoModel, AutoTokenizer
import torch

name = 'baidu/Unlimited-OCR'
tok = AutoTokenizer.from_pretrained(name, trust_remote_code=True)
model = AutoModel.from_pretrained(name, trust_remote_code=True,
                                 use_safetensors=True, torch_dtype=torch.bfloat16).eval().cuda()

# одна страница: base_size=1024, image_size=640, crop_mode=True
model.infer(tok, prompt='<image>document parsing.', image_file='page.jpg',
            output_path='out/', base_size=1024, image_size=640, crop_mode=True,
            max_length=32768, save_results=True)

# многостраничный PDF: сначала рендер страниц в PNG (PyMuPDF, 300 dpi)
model.infer_multi(tok, prompt='<image>Multi page parsing.', image_files=pages,
                  output_path='out/', image_size=1024, max_length=32768,
                  no_repeat_ngram_size=35, ngram_window=1024, save_results=True)

06Типичные ошибки

07Что с точностью на самом деле

Единого публичного лидерборда OCR-моделей нет, и это главная сложность выбора. Официальные цифры публикует Datalab для Indra OCR: 66,7 балла на OmniParseBench (71,4 с флагом --math), тогда как полный пайплайн PP-StructureV3 от PaddleOCR набирает 58,4. По текстовому компоненту Indra даёт 46,7 против 35,8 у текстовых моделей PP-OCR и 19,3 у Tesseract. Это данные вендора на его собственном наборе — читать их как «в среднем по рынку» нельзя.

Для остальных моделей карточки на Hugging Face содержат описание, формат и лицензию, но не воспроизводимый прогон по единому набору. Поэтому при выборе разумно делать собственный мини-тест: 20–30 страниц именно ваших документов, с ручной проверкой чисел, дат и таблиц. Это дешевле, чем перебирать модели по обзорам.