Как выбрать OCR в 2026‑м: сравнение 9 моделей на 3 движках инференса
Мы протестировали девять OCR‑моделей (PaddleOCR‑VL, DeepSeek‑OCR, Dots.OCR, Qwen2.5‑VL и др.) на трёх движках (vLLM, SGLang, TGI) для рукописного русского. Таблица с точностью, скоростью и потреблением памяти уже доступна.
Что проверяли
В статье от Habr AI (31 июля 2026) авторы провели масштабный бенчмарк OCR‑моделей, ориентированных на распознавание рукописного русского текста. В наборе было девять моделей, среди которых:
- PaddleOCR‑VL (Hugging Face)
- DeepSeek‑OCR
- Dots.OCR
- Qwen2.5‑VL
- Tesseract (классика)
- VLM‑based решения и несколько экспериментальных вариантов.
Инференс‑движки
Тесты запускались на трёх популярных серверах инференса:
- vLLM – оптимизированный для больших языковых моделей.
- SGLang – гибкая платформа с поддержкой микросервисов.
- TGI (Text Generation Inference) – от Hugging Face, ориентированный на низкую латентность.
Метрики
Для каждой комбинации измерялись:
- CER/WER (символьная и словесная ошибка)
- Latency (время ответа на 1 КБ текста)
- GPU‑memory (пиковое потребление)
- Стоимость инференса (USD/час).
Ключевые результаты
| Модель | Лучшее по точности | Лучшее по скорости | Оптимальный баланс | |--------|-------------------|-------------------|-------------------| | DeepSeek‑OCR | 1.8 % CER (vLLM) | — | — | | Qwen2.5‑VL | — | 45 ms (SGLang) | 2.3 % CER, 60 ms (TGI) | | PaddleOCR‑VL | 2.1 % CER (TGI) | 48 ms (vLLM) | 2.2 % CER, 50 ms (SGLang) | | Tesseract | 5.6 % CER (все) | 120 ms (vLLM) | — |
Таблица со всеми цифрами доступна в оригинальном материале: https://habr.com/ru/companies/ru_mts/articles/1065182/
Выводы авторов
- Точность: DeepSeek‑OCR лидирует, но требует больше GPU‑памяти.
- Скорость: Qwen2.5‑VL показывает лучшую латентность на SGLang.
- Баланс: PaddleOCR‑VL — оптимальный вариант для большинства задач, сочетая хорошую точность и умеренную нагрузку.
- Инференс‑движок: vLLM даёт лучшую точность, но SGLang выигрывает в скорости; TGI — универсальный компромисс.
Полезные ссылки
- Репозитории моделей на Hugging Face
- Документация vLLM, SGLang, TGI
- Набор рукописных русских текстов (OpenData)
Тесты проводились на A100 40 GB, batch‑size = 1, в реальном времени.
Для разработчиков OCR‑решений 2026‑го года важен не только показатель точности, но и затраты на инференс. Если вам нужен максимум качества – выбирайте DeepSeek‑OCR и vLLM, но готовьтесь к высоким требованиям к памяти. Для быстрых сервисов с ограниченными ресурсами лучше Qwen2.5‑VL на SGLang. PaddleOCR‑VL остаётся «золотой серединой», подходящей для большинства продуктов и учебных проектов.
