Cách chọn OCR vào năm 2026: Thử nghiệm chín mô hình trên ba engine suy luận với chữ viết tay tiếng Nga

Статья из AI-хаба Habr сравнивает ряд OCR-решений для распознавания русского рукописного текста, тестируя девять моделей на движках vLLM, SGLang и нативных HF Transformers на датасете русских рукописных текстов. Авторы сообщают, что Tesseract, несмотря на самую высокую скорость в 193 страницы в минуту, возвращает лишь 411 символов на страницу, тогда как PaddleOCR-VL выдает 1193 токена, что указывает на то, что более высокая скорость часто означает пропуск содержимого. Специализированная модель PaddleOCR-VL (1.7B) превосходит универсальную Qwen2.5-VL-7B в 5.2 раза по страницам в минуту и в 6.7 раза по токенам в секунду. Нативные HF Transformers отстают от vLLM и SGLang в два раза для одной и той же модели из-за более низкой загрузки GPU. Бенчмарки показывают, что для простых печатных документов достаточно Tesseract или RapidOCR на CPU, в то время как для сложных макетов, таблиц и вывода в Markdown рекомендуется PaddleOCR-VL с SGLang, а для продакшена с минимальными рисками совместимости — PaddleOCR-VL с vLLM. Для универсальных задач подходит Qwen2.5-VL-7B с vLLM, а для локальной VLM в русскоязычной домене предлагается Cotype Light 3 с vLLM и MTP. Тесты проводились на общей NVIDIA A100 80GB с batch=1 и 15 образцами русского рукописного текста, с едиными настройками, такими как точность bfloat16, температура 0.0 и конкретные промпты.