目前用于表格、图表和复杂结构化文档的最佳 OCR 模型是专用的文档解析器,其中最强的是 OCRia-1,这个 40 亿参数的模型运行在LlamaParse之中。它在 ParseBench 的表格维度上得分 91.5,并在表格评测中领先于四个基准测试,其中三个由 LlamaIndex 之外的机构构建。

如果你的页面主要是纯文本,其他选择在价格上更胜一筹。AWS Textract 和 Google Document AI 以每 1,000 页 1.50 美元的价格读取文本,而 Azure Document Intelligence 在三大云中覆盖的印刷语言最多。必须自托管的团队可以在自己的云账户或数据中心以 Enterprise 方案运行 LlamaParse,或者从 LightOnOCR-3 或 Chandra OCR 2 等开源权重模型起步。

纯文本已不再是这些模型拉开差距的地方。在 ParseBench 的内容忠实度得分上,OCRia-1、dots.mocr 和 Mistral OCR 4.1 都达到 0.90,数据来自OCRia-1 技术报告。差距体现在结构上:一个横跨三列的标题、保险承保明细表中合并的单元格、没有数值标签的堆叠柱状图。这正是本排名所衡量的内容,也是大多数“最佳 OCR”榜单止步不看的地方。

模型或 API 最适合 ParseBench 总体 / 表格 语言 托管 p50 延迟 每 1,000 页标价 集成方式
LlamaParse(OCRia-1) 表格、图表、财务和保险申报文件 82.83 / 90.90(Agentic 档) 多语言,未公布清单 2.2 秒 3.75 至 4.50 美元(Cost Effective),12.50 至 15 美元(Agentic) Python 和 TS SDK、REST、Web UI、VPC 或本地部署
Extend 带审核层的抽取 73.50 / 85.26 未公布 未公布 5 至 20 美元 API、BYOC 或混合部署
Reducto 带边界框的引用 70.87 / 80.20(Agentic) 未公布 未公布 10 美元 REST、异步任务、webhook
Mistral OCR 4 便宜、快速处理文本密集页面 58.38 / 74.03 170 1.8 秒(4.1) 4 美元(批量 2 美元) API、Python 和 TS SDK
Azure Document Intelligence 语言覆盖 56.76 / 85.97(Layout) 约 300 种印刷语言,12 种手写 未公布 约 1.50 美元 Read,10 美元 Layout SDK、Studio UI
AWS Textract AWS 内的纯文本 48.31 / 84.46 40+ 种印刷语言(Forms 为 6 种) 未公布 文本 1.50 美元,表格 15 美元 AWS SDK、控制台
Google Document AI GCP 上的广泛语言覆盖 48.66 / 54.95 200+ 未发布 OCR $1.50,Layout Parser $10 GCP SDKs、Workbench
LightOnOCR-3 4B(开源权重) 快速自托管 75.60 / 83.63 未发布 自托管 GPU 成本 Hugging Face、vLLM
Chandra OCR 2(开源权重) 自托管表格处理 70.59 / 89.20 90+ 自托管 GPU 成本,或 Datalab API Hugging Face、Datalab API

ParseBench 分数来自公开排行榜(读取于 2026 年 11 月 2 日),其中“overall”为五个维度的平均值,包括视觉定位。延迟为典型页面的 p50,来自OpenDocRouter 的模型页面。价格为各厂商公布的标价。LlamaParse 的区间从 Pro 费率(每 1,000 积分 $1.25)到按量付费费率($1.50)。Azure 的数据来自微软的语言表和问答页面,因为其费率卡未能渲染。

现在每个模型都能读取文本,所以我们按结构排名

该排名主要依据ParseBench,这是 LlamaIndex 构建并发布的基准测试。它涵盖约 2,000 个经人工验证的页面,取自保险 SERFF 备案文件、财务报告和政府文件,并依据超过 169,000 条测试规则评分,全程没有 LLM 评委参与。它从五个维度评分:表格、图表、内容忠实度、语义格式和视觉定位。我们在同一套测试框架上运行了所有提供商,包括 Reducto、AWS Textract 和 Claude,结果发布在GitHub上的一个公开 CSV 中。该基准测试、其论文以及 OCRia-1 报告都在我们的研究页面上。

厂商给自己的模型打分存在利益冲突,因此我们对照三套OCR 准确率基准测试套件核验了表格中的每一项声明,这些套件并非由 LlamaIndex 构建:

  • olmOCR-bench来自 Allen Institute for AI,包含 1,403 个页面上的 7,010 个通过/失败单元测试
  • PulseBench-Tab来自 Pulse,包含九种语言的 1,820 张人工标注表格
  • fr-bench-pdf2md来自 Pulsia,包含 721 个刻意设置难度的法语页面

我们自己在全部四套套件上运行了每个模型,所有系统使用相同的渲染方式,发布文章中的图表就是这些运行结果。“在 LlamaIndex 之外构建”意味着数据集和测试规则是公开的且不属于我们,ParseBench 的数据集、评分代码和结果 CSV 也是公开的,因此这里引用的每次运行都可复现。我们完全没有参与的那项检查是Unstructured 的基准测试,它把自己的流水线放在最上面,LlamaParse 以 0.835 在其余厂商中表现最佳,领先于 Reducto 的 0.812。另外,本文中每个数字都适用一条解读规则:几个点的差距在测试集之间的噪声范围内(同一模型在不同运行中会相差几个点),因此把接近的分数视为持平,并在你自己的页面上做决定。

OmniDocBench 是刻意缺席的。它的最高分如今都挤在 95 分略上方(PaddleOCR-VL-1.6 为 96.3,MinerU 2.5-Pro 为 95.69),这使它难以区分领先者,这个问题我们曾在OmniDocBench 已饱和中写过。

其他列遵循简单规则。每页 OCR 价格是各厂商公布的标价,按每 1,000 页显示。语言仅在厂商公布数量时出现,延迟仅在有人在托管基础设施上实测过时出现。厂商自跑的基准测试作为背景信息出现,绝不作为头条分数。还有一点需要说明:OCRia-1 的发布数据是四个维度的平均值,且不含视觉定位,因此它们在下方单独成表,而不与排行榜共用一列。除 OmniDocBench 之外还有一项刻意排除:平台型 IDP 套件(ABBYY Vantage、Hyperscience、Tungsten TotalAgility)按企业合同销售而非按页定价,且不出现在本排名所依据的任何公开排行榜上,因此我们将它们排除在外。

表格的最佳 OCR 模型:分数在哪里拉开差距

从 PDF 中提取表格是这些模型开始出现分歧的任务。发布文章让每个模型在相同渲染下跑过同一套测试框架,因此这是目前最干净的正面比较:

来源:OCRia-1 发布文章,阅读于 2026 年 10 月 29 日。olmOCR-bench 分数对每个模型均使用标准的 1,288 px 渲染。

Chandra-OCR-2 在这里值得肯定。它在 ParseBench 表格上落后 OCRia-1 2.3 分,在 olmOCR-bench 表格上落后 0.8 分,差距小到单个测试集就可能让两者互换位置,不过在 1,288 px 下的 olmOCR-bench 表格上差距为 6.2 分。随着表格变难,差距会扩大。

嵌套表头、合并单元格与长表格

一份财务报表中 "2025" 横跨三个季度列,或一份保险覆盖表中一个免赔额适用于四行,只有当解析器保留这些关系时才成立。丢掉一个关系,你得到的转录就是每个数字都对、每个比较都错。在 fr-bench 的第二个长表格类别上,OCRia-1 得 81.9 分,Chandra 为 77.8 分。在 PulseBench-Tab 上,它完美复现了1,820 张表格中的 485 张,而第二名是 431 张(技术报告)。我们在关于表格 OCR的文章中讨论过其机制。

图表是没有网格线的表格

整个数据集中差距最大的是图表。OCRia-1 在 ParseBench 的图表维度上得 85.1 分,第二名模型得 66.1 分,dots.mocr 和 Surya OCR 2 分别得 0.1 和 1.2 分。传统 OCR 读取坐标轴标签和图例,然后丢掉柱形。OCRia-1 返回数据点的 HTML 表格,每个值都位于正确的系列和标签下,这是唯一能真正用来做数值计算的形式。

ParseBench 只有在图表数值落在正确的行标题和列标题下时才给分,因此模型无法靠倾倒它看到的所有数字来得分。关于这为何困难,更多内容见从图表中提取数据。

改变含义的格式

上标、删除线和复选框看起来只是装饰,直到有一个丢失。收入行上的脚注标记、合同中划掉的条款,或索赔表上未勾选的方框,都会改变文档所表达的内容。OCRia-1 在 Markdown 和 HTML 中保留这些标记,并将数学公式写为 LaTeX,在 ParseBench 格式维度上得 83.4 分,而下一个系统为 67.9 分。

这正是传统 OCR 和超大规模云厂商 API 靠单独对结构化收费来掩盖的差距。Textract 读取文本每 1,000 页收费 1.50 美元,表格收费 15 美元,而在 ParseBench 上其格式得分为 4.65。布局感知解析将网格、图表数据和行内标记视为输出本身,因此你无需事后重建它们。

托管 OCR API:你的每页价格实际买到了什么

大多数团队把 OCR 作为 API 购买,所以这是 OCR 模型对比中按页价格与得分相遇的部分。下面的分数是 ParseBench 排行榜的行。如果你在结构上比较解析器,我们的顶级文档解析 API综述在集成细节上覆盖得更广。

LlamaParse 搭配 OCRia-1

最适合:表格、图表,以及同时包含两者的混合财务和保险申报文件。OCRia-1 默认运行在 LlamaParse 的cost_effective层级(每页 3 个积分,Pro 版每 1,000 页 $3.75,按需付费每 1,000 页 $4.50)以及agentic层级(10 个积分,每 1,000 页 $12.50 或 $15),只要你请求version="latest",如层级文档中所述。无需设置模型名称,价格也不变。例外是带有自定义提示词的任务,它会改为路由到通用模型。在排行榜上,LlamaParse 的 Agentic Plus 层级(每页 25 个积分,每 1,000 页起价 $31.25)在全部 155 个条目中总分最高(86.69),Agentic 为 82.83。

表格在解析输出中以 HTML 形式返回,表头行保持完整,因此无需正则即可加载到 dataframe:

fromioimportStringIO

importpandasaspd
fromllama_cloudimportLlamaCloud

client=LlamaCloud()# 从环境变量读取 LLAMA_CLOUD_API_KEY
file=client。files。create(file="10-q-financial-statements.pdf",purpose="parse")
result=client。parsing。parse(
file_id=file。id,
tier="cost_effective",# OCRia-1 在此运行,并在 agentic 上以 version="latest" 运行
version="latest",
expand=["markdown"]
)

forpageinresult。markdown。pages:
if"<table"notinpage。markdown:
continue
fortableinpd。read_html(StringIO(page。markdown)):
print(f"page{page。page_number}:{table。shape[0]}rows x{table。shape[1]}cols")
print(table。head(4).to_string(index=False))

我们针对 OCRia-1 技术报告中的一个基准测试结果页面运行了这段代码。它返回了两个 9×10 的结果表,每个分数都与来源一致。托管模式下,每页中位延迟为 2.2 秒。在单块 B200 GPU 上以 64 个并发请求运行时,该模型每秒可处理 10.21 页,约合每天 860,000 页。对于报表密集型工作负载,请参阅财务报表 OCR和保险文档自动化页面。

你也可以在我们的 SaaS 之外运行 LlamaParse。在 Enterprise 套餐中,它可部署在你自己的 AWS、Azure 或 Google Cloud 账户中,或部署在你自己的数据中心,通过 Helm chart 安装在 Kubernetes 上,因此文档和结果都留在你的环境中。推理可由 LlamaIndex 托管,也可在你自己的 GPU 上运行。使用本地模型时,Cost Effective 和 Agentic 两个层级会让每一页都留在你的网络内,包括在气隙隔离环境中。我们的部署指南逐一介绍了每种方案。

Reducto

Reducto 的 Agentic 层级在 ParseBench 上得分为 70.87,但在格式化方面较弱,为 45.4。它的优势在于可追溯性,因为每个解析出的块都带有位置信息,每个提取出的值都有边界框引用。标价为每 1,000 页 10 美元。我们的LlamaParse vs Reducto页面提供了并排对比。

Extend

Extend 2.0 总分为 73.50,在表格上为 85.26。其营销重点宣传在 RealDoc-Bench 上达到 95.7% 的字段级问答准确率,而该基准测试由 Extend 自己运行。解析费用根据层级不同为每 1,000 页 5 至 20 美元。参见LlamaParse vs Extend。

Azure Document Intelligence

Azure Document Intelligence 在大型云厂商中拥有最长的印刷语言列表,根据我们对微软支持表的统计约为 300 种,但手写仅覆盖 12 种。如果公开的语言覆盖范围是决定性因素,那么 Azure 是这里的选择:LlamaIndex 没有公布 OCRia-1 的语言列表,而虽然 LlamaParse 确实能处理手写表单(我们在最佳手写表单 OCR中比较了所有这些工具),但没有可填入表格的数量。其 Layout 模型在表格上得分为 85.97,在图表上为 1.27。注意计费,因为 Read 约为每 1,000 页 1.50 美元,Layout 约为 10 美元。更多内容见LlamaParse vs Azure Document Intelligence。

Google Document AI

Google Document AI 支持 200 多种语言,并列出Enterprise OCR 为每 1,000 页 1.50 美元,Layout Parser 为 10 美元。其总体得分 48.66、表格得分 54.95,使其在结构化文档的商业产品中接近垫底。

Textract 在表格上的 84.46 还算不错,但格式化上的 4.65 和图表上的 4.47 将其总体得分拉低至 48.31。文本和表格提取覆盖40 多种印刷语言,但 Forms API 最多只支持六种,而且手写体仅限英文。对于 AWS 流水线中的纯文本来说,这是个不错的选择。在以下对比中查看LlamaParse vs Amazon Textract。

Mistral OCR 4.1

Mistral 是处理文本密集页面的价格与速度之选:支持 170 种语言,每 1,000 页 4 美元,批量处理为 2 美元,均为 OCR 4 的标价,也是我们找到的最快托管 p50,为 1.8 秒。它在 OCRia 发布测试中得分 67.5(上表中的排行榜行是较旧的 OCR 4),图表是它的弱项,得分为 40.1。

Unstructured

Unstructured 不在 ParseBench 上。在其自家的 SCORE-Bench 上,它把自己的流水线排在首位,并将 LlamaParse 列为其他厂商中最好的,得分为 0.835,领先于 Reducto 的 0.812(Unstructured 基准测试)。在 10,000 页免费额度之后,每页收费 0.015 美元,选择它的真正原因是其 ETL 连接器。参见LlamaParse vs Unstructured。

前沿 VLM 表格读得好,账单也相应高

通用视觉模型读取表格的能力比大多数榜单所承认的更好。在 ParseBench 排行榜上,高 effort 的 Claude Opus 5.5 在表格上得分 94.26,GPT-6.1 Terra 为 93.07,高 thinking 的 Gemini 3 Flash 为 91.19。对于只有网格的页面,它们中任何一个都够用。

真实文件会把表格与图表、脚注和版式混在一起,分数正是在这里下滑。Opus 5.5 在图表上降至 70.89,在视觉 grounding 上降至 60.56,这使其整体得分在每页 6.13¢ 的价格下被拉低至 78.80。GPT-6.1 Terra 更便宜,为 1.09¢,但整体得分为 73.64。LlamaParse 的 Cost Effective 档以 0.375¢ 的价格达到 77.68,胜过它。这就是VLM OCR在一张图中体现的权衡:

来源:ParseBench 排行榜,五维整体得分,读取于 2026 年 11 月 2 日。

速度进一步拉大差距。在 OpenDocRouter 上(OCRia-1 也可作为独立模型使用),典型页面耗时 2.2 秒,而 Opus 5.5 为 11.2 秒,Gemini 4 Argon 为 13.5 秒。在 OpenDocRouter 自己的 ParseBench 运行中,OCRia-1 得分为 84.67,每 1,000 页 13.04 美元,Opus 5.5 得分为 84.27,每 1,000 页 48.82 美元。相同的准确率,约四分之一的价格。我们在以下文章中给出了这一论点的更长版本LLM API 并非完整的文档解析器。

值得自托管的开源权重模型

这个关键词的大多数排名页面只覆盖开源模型。当文档不能离开你的网络时,它们是合理的选择,前提是你要把自托管的成本算进去,包括 GPU、服务、监控,以及下面提到的差距。当约束条件如此时,LlamaParse 本身也可以部署在你自己的 VPC 或数据中心。

模型 规模与许可证 ParseBench 总体 / 表格 备注
LightOnOCR-3 4B,Apache 2.0 75.60 / 83.63 2026 年 10 月发布,单张 H100 上约 3.36 页/秒(LightOn 实测)
Chandra OCR 2 约 5B,修改版 OpenRAIL 70.59 / 89.20 表格上最接近的开源对手;许可证设有收入上限
MinerU 2.5-Pro 1.2B 69.27 / 77.61 开源模型中视觉定位最佳(74.24)
dots.mocr 约 3B,MIT 54.18 / 85.03 表格表现强,图表上为 0.84
PaddleOCR-VL-1.6 0.9B,Apache 2.0 50.90 / 67.79 OmniDocBench 以 96.3 领先,支持 109 种语言
DeepSeek-OCR 2 约 3B,Apache 2.0 41.2 / 61.7 为 token 压缩而构建,而非表格保真度
Tesseract Apache 2.0 未参与排名 CPU 上支持 100+ 种语言,无表格结构

选择一款文档解析模型进行自托管,既是准确率决策,也是运维决策。在发布测试中,所有模型都在相同的测试框架和相同的渲染条件下评估,OCRia-1 在 ParseBench 表格上的 91.5 分领先所有开源模型至少 6 分,Chandra(89.2)除外;dots.mocr 得分 85.2,LightOnOCR-3 为 82.5。dots.mocr 和 DeepSeek-OCR 2 在图表上的得分也接近零,这种失败往往在生产环境中暴露,而不是在演示页面上。如果开源是硬性要求,我们的开源 OCR 工具列表更广泛地覆盖了这一领域。

对于表格密集的文档,专用模型如今也是便宜的那个

一年前,要把复杂表格做对,意味着支付前沿 VLM 的价格并等待前沿 VLM 的延迟。一个在那些模型仍会出错的表格和图表上训练过的 4B 模型改变了这笔账。如今最好的 OCR 模型归结为哪一档适合你的页面,而正确的选择取决于页面上有什么:

大批量的对账单、申报文件和明细表应交给cost_effective每页 0.375¢ 起。图表密集的报告和嵌套层级很多的表格正是agentic的用武之地。针对金融专用工具,参见金融领域最佳 OCR 软件。LlamaParse今天在两个层级上运行 OCRia-1。其免费计划每月提供 10,000 个积分,约合 3,333 个 Cost Effective 页面,因此你可以开设一个免费账户并在花任何钱之前,用它跑一批真实的报表。