过去几年，OCR（光学字符识别）正在从「字符识别工具」快速演进为以视觉—语言模型为核心的通用文档理解系统。在 Microsoft 、 Google 等全球性企业持续投入的同时，百度、腾讯、阿里云等中国头部厂商也在密集布局，推动市场从规则驱动的 OCR 向融合人工智能与自然语言处理的智能文档处理（IDP）快速升级，并在金融、政务、医疗等真实业务场景中不断深化应用。

伴随产业需求的持续拉动，OCR 的研究重心也发生了显著变化：模型不再只追求「识别准确率」，而是开始系统性地解决复杂版式、多模态符号、长上下文建模以及端到端语义理解等更具挑战性的问题。如何高效编码二维视觉信息、更高效解析文本信息，以及如何让模型的阅读顺序更贴近人类的认知逻辑，正成为学术界与工业界共同关注的核心议题。

正是在这种高度互动的背景下，持续追踪并梳理最新的 OCR 学术论文，对于把握技术前沿方向、理解产业真实挑战、乃至寻找下一阶段的范式突破，都显得尤为关键。

本周，我们为大家推荐的 5 篇 OCR 的热门 AI 论文，涵盖 DeepSeek 、腾讯、清华大学等团队，一起来学习吧 ⬇️

此外，为了让更多用户了解学术界在人工智能领域的最新动态，HyperAI 超神经官网（hyper.ai）现已上线「最新论文」板块，每天都会更新 AI 前沿研究论文。

最新 AI 论文：https://go.hyper.ai/hzChC

本周论文推荐

1. DeepSeek-OCR 2: Visual Causal Flow

DeepSeek-AI 研究人员在 DeepSeek-OCR 的基础上进一步提出 DeepSeek-OCR 2，如果说 DeepSeek-OCR 是对通过二维光学映射压缩长上下文可行性的一项初步探索，那么 DeepSeek-OCR 2 的提出旨在探究一种新型编码器——DeepEncoderV2——在图像语义驱动下动态重排视觉标记（visual tokens）的可行性。 DeepEncoder V2 被设计为赋予编码器因果推理能力，使其能够在基于 LLM 的内容理解之前，智能地重新排列视觉标记，取代僵化的光栅扫描处理方式，从而实现更接近人类、语义连贯的图像理解，提升 OCR 与文档分析能力。

论文及详细解读：https://go.hyper.ai/ChW45

训练数据集由 OCR 1.0 、 OCR 2.0 和通用视觉数据组成，其中 OCR 数据占训练混合数据的 80% 。评估时，使用 OmniDocBench v1.5，该基准包含 1,355 页中英文文档，涵盖杂志、学术论文与研究报告，共 9 个类别。

2. LightOnOCR: A 1B End-to-End Multilingual Vision-Language Model for State-of-the-Art OCR

LightOn 研究人员推出了 LightOnOCR-2-1B，这是一款紧凑的 10 亿参数多语言视觉-语言模型，可直接从文档图像中提取干净、有序的文本，在性能上超越更大模型，同时通过 RLVR 增加图像定位能力，并通过检查点合并提升鲁棒性，模型与基准测试已开源。

论文及详细解读：https://go.hyper.ai/zXFQs

一键部署教程链接：https://go.hyper.ai/vXC4o

LightOnOCR-2-1B 数据集结合了来自多个来源的教师标注页面，包括扫描文档以增强鲁棒性，以及用于版式多样性的辅助数据。包含由 GPT-4o 标注的裁剪区域（段落、标题、摘要）、空白页样例以抑制幻觉，以及通过 nvpdftex 流程从 arXiv 获取的 TeX 衍生监督。添加公开 OCR 数据集以增加多样性。

3. HunyuanOCR Technical Report

本文提出 HunyuanOCR，这是一个由腾讯及合作者开发的 10 亿参数开源视觉-语言模型，通过数据驱动训练和新颖的强化学习策略，采用轻量级架构（ViT-LLM MLP 适配器）统一了端到端的 OCR 能力——包括文本定位、文档解析、信息抽取和翻译，性能超越更大模型和商业 API，实现了工业与科研应用中的高效部署。

论文及详细解读：https://go.hyper.ai/F9fni

一键部署教程链接：https://go.hyper.ai/C4srs

本文实验使用 HunyuanOCR 在 OmniDocBench 上评估文档解析性能。取得 94.10 的最高总分，超越所有其他模型（包括更大模型）。

4 .PaddleOCR-VL: Boosting Multilingual Document Parsing via a 0.9B Ultra-Compact Vision-Language Model

百度团队提出 PaddleOCR-VL，一种资源高效的视觉-语言模型，融合了 NaViT 风格的动态分辨率编码器与 ERNIE-4.5-0.3B 模型，实现了多语言文档解析的最先进性能，能够准确识别表格、公式等复杂元素，在保持快速推理能力的同时，优于现有方案，适用于真实场景的部署。

论文及详细解读：https://go.hyper.ai/Rw3ur

一键部署教程链接：https://go.hyper.ai/5D8oo

本文实验在 OmniDocBench v1.5 、 olmOCR-Bench 和 OmniDocBench v1.0 上评估页面级文档解析，于 OmniDocBench v1.5 上取得 92.86 的最先进总体得分，优于 MinerU2.5-1.2B（90.67），在文本（编辑距离 0.035）、公式（CDM 91.22）、表格（TEDS 90.89 与 TEDS-S 94.76）和阅读顺序（0.043）方面均领先。

5. General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model

StepFun 、旷视科技、中国科学院大学和清华大学的研究人员提出 GOT，一个 5.8 亿参数的统一端到端 OCR-2.0 模型，通过高压缩编码器和长上下文解码器，将识别能力从文本扩展到多种人工光学信号——如数学公式、表格、图表和几何图形，支持切片/整页输入、格式化输出（Markdown/TikZ/SMILES）、交互式区域级识别、动态分辨率和多页处理，显著推动了智能文档理解的发展。

论文及详细解读：https://go.hyper.ai/9E6Ra

一键部署教程链接：https://go.hyper.ai/HInRr

本文实验在 8×8 L40s GPU 上 完成三阶段训练：预训练（3 轮，批量大小 128，学习率 1e-4）、联合训练（1 轮，最大 token 长度 6000）、后训练（1 轮，最大 token 长度 8192，学习率 2e-5），前一阶段保留 80% 数据以维持性能。

以上就是本周论文推荐的全部内容，更多 AI 前沿研究论文，详见 hyper.ai 官网「最新论文」板块。

同时也欢迎研究团队向我们投稿高质量成果及论文，有意向者可添加神经星星微信（微信号：Hyperai01）。

下周再见！