TeleOCR：兼顾数字文档与拍摄文档的文档解析模型

Hugging Face Trending 上出现名为 TeleOCR 的模型，任务为 image-text-to-text，约 1.2B 参数的开源视觉语言模型，面向文档解析。作者将原 NaviDC-OCR 更名为 TeleOCR，后续迭代以 TeleOCR 版本发布，权重与技术报告已于 2026/08/17 发布。该模型统一处理数字文档与摄像头拍摄文档，并引入 MCV、几何感知建模、CGDP 等方法。作者称在 Dr.DocBench 评测中用原生权重优于 MinerU 2.5 Pro 与 PaddleOCR-VL 1.6。

此前文档解析模型多分别面向数字文档或拍摄文档，TeleOCR 试图用单一约 1.2B 参数框架覆盖两类场景，并已放出权重与技术报告。若作者所述评测结果成立，开源方案在文档解析上的可选范围会进一步扩大。

证据显示，TeleOCR 通过 Multi-node Consensus Voting 自动生成伪标签，并引入面向拍摄文档的几何感知建模与 Curvature-Guided Douglas-Peucker Sampling，以同时处理平整数字文档与有透视、弯曲变形的拍摄文档。社区已提供 GGUF 转换与 llama.cpp 支持，并有人在 Ascend 910B 上部署。

对文档处理类产品而言，约 1.2B 参数的轻量开源模型可降低本地或私有化部署门槛，GGUF 与 llama.cpp 支持便于在边缘或低成本环境试点。数字文档与拍摄文档统一处理，可减少为票据、合同等不同来源搭建多套解析链路的复杂度。

• 在票据、合同、证照等拍摄类文档场景中，用 TeleOCR 权重做小规模解析准确率与延迟对比测试。
• 基于 GGUF 与 llama.cpp 版本，在本地或边缘设备验证离线文档解析的可行性与单页成本。
• 针对拍摄文档的透视与弯曲问题，测试几何感知建模是否减少人工校正与后处理规则。

• 作者自称优于 MinerU 2.5 Pro 与 PaddleOCR-VL 1.6，但缺少可复现的独立评测结果。
• 模型的实际精度、速度与显存占用尚未在证据中给出细节。
• 作者身份未知，模型长期维护与版本迭代的可持续性不明确。
• 热度和下载量在两条证据间不一致，真实采用规模难以确认。