大模型OCR识别能力实测：第一名你绝对想不到……

写在前面：为什么要做这件事

OCR 这件事，听上去没什么悬念——“识图取字”嘛，是个多模态大模型就能干。但真到了中文场景，事情就变得复杂了：

• 一张盖了红章的报销单，模型能不能把“金额大写”“单位名称”“日期”等这些字段都抓全？
• 一张学生作业本上的潦草手写，“7”会不会被读成“1”，“日”会不会被读成“曰”？
• 一段竖式牌匾，模型能不能识别出“从右往左、从上往下”的阅读顺序？
• 一张繁体字印刷品，会不会被简化、误识、或者干脆当成乱码？

这些问题，没有一篇厂商发布会会替你回答。厂商给你的是 MMMU、DocVQA、ChartQA 这些英文为主的国际榜单上的分数，但你日常工作里要扫描的，是中文报销单、是中文体检报告、是孩子的中文作业本。

所以我们干脆自己测一遍。

一、评测怎么做的

数据来源：日常使用积累

这次评测用到的数据，全部来自我们日常使用大模型过程中积累的真实中文 OCR 场景数据。这些数据在我们日常的业务流、个人使用、AI 应用调试里持续积累，覆盖了 7 类典型任务：票据、license 类的结构化字段识别、工整中文手写、学生作业手写、繁体字识别、竖排文本、中文印刷体长文档版式，以及银行票据、身份证 / 车牌等场景里的手写数字串。这些任务都是日常工作中真正会遇到、且模型答错就会带来真实成本的场景。

规则匹配 + LLM 兜底裁判

每个模型对每道题给出一次输出，我们用两层判分逻辑：

1. 规则匹配（rule-based）：对模型输出做归一化（去空格、统一全半角等），与参考答案做字符串严格比对；对结构化字段类的题目，则解析 JSON 后再做规范比对。

2. LLM 兜底裁判：规则不通过时，调用 deepseek-v4 判断“模型输出”与“参考答案”在 OCR/信息提取语义上是否一致（允许格式、空白、等价 LaTeX 写法等容差）。判定结果只输出 1 / 0。

这样的好处是：既不冤枉那些只是格式略不同的好答案，也不会把幻觉糊弄当成识别正确放过去。

二、总榜

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

*注:「平均花费」单位为千分之一元(即0.001¥/题);「平均token」为单题prompt+completion的总tokens

总榜按准确率排序，几个核心观察：

• Top 1 是月之暗面的 Kimi K2.6（69.8%），领先第二名 Qwen3.6-plus（66.8%）近 3 个百分点。在我们这个偏向中文、偏向真实业务数据的样本上，Kimi 的表现明显领先。
• Top 5 几乎是国内模型：Kimi K2.6、Qwen3.6-plus、Qwen3.5-122B-A10B、gemini-3.1-pro-preview、Qwen3.5-27B。除了gemini-3.1-pro-preview 这一根独苗外，国产模型把第一档完全包了。
• Top 10 国产占 8 席。第三名 Qwen3.5-122B-A10B（66.0%）和第四名 gemini-3.1-pro-preview 准确率一模一样，但的·单次评测成本相差超过 11 倍——这是后面我们要重点讲的“成本悖论”。
• 倒数前4名全是 OpenAI：gpt-5.4（45.5%）、gpt-5.4-mini（43.0%）、gpt-5.4-nano-high（30.2%）、gpt-5.4-nano（23.8%）。gpt-5.4-nano准确率连 1/4 都不到。
• 更扎心的是：gpt-5.4-high 的得分（52.8%），还不如 Kimi K2.6（69.8%）和 Doubao-Seed-2.0-lite（60.9%）——而前者跑这一轮花了 89.45 元，后者花了4.18和0.87 元。

三、Top 5 详读：到底哪个模型识字最准？

1、Kimi K2.6（69.8%）：综合最强，三项夺冠

Kimi K2.6 在七大子任务里独占三项冠军：

• 手写数字串：91.8% —— 银行票据、身份证号等这种“数字密集”场景的几乎最优解
• 学生作业手写：89.4%
• 工整中文手写：71.7%

它的弱项是竖排文本（19.2%）和票据结构化（37.5%）——也就是说，Kimi 强在“识字”，弱在“识版式”。

2、Qwen3.6-plus（66.8%）：综合最稳

Qwen3.6-plus 没有在哪一项夺冠，但没有任何一项明显短板——除了共有的“竖排难题”（30.8%）。它在票据结构化上拿到了 50%；学生作业手写 87.2% 仅次于 Kimi。

如果你想找一个“什么任务都不会拉胯”的模型，Qwen3.6-plus 是当前的安全选择。

3、同分悖论：Qwen3.5-122B-A10B vs Gemini-3.1-pro-preview

两个模型准确率都是 66.0%——但成本差异巨大：

同分情况下，多花十倍的钱去用 Gemini-3.1-pro-preview 在中文 OCR 上没有任何回报。Gemini 在工整中文手写（52.2%）和繁体识别（86.7%）上甚至还略低于 Qwen3.5-122B-A10B（43.5% vs 96.7%——繁体这一项 Qwen 完胜）。

4、Qwen3.5-27B（63.0%）：性价比标杆候选

Qwen3.5-27B 是 Qwen 系最有意思的一个：参数量比 122B 小一大截，但准确率只低 3 个百分点，评测成本 ¥3.05（Qwen3.5-122B-A10B 是 ¥4.37）。性价比比 Qwen3.5-122B-A10B 还要好一点。

四、性价比真相：花对钱比花多钱重要

把 23 个模型放到“准确率 × 成本”的二维坐标系里，一眼能看出真正的“性价比甜区”在左上方——准确率高、成本低。

三档分明的价格梯度

整体看，模型成本横跨三个数量级：

• 超低价档（< 0.01 元 / 题）：gemma-4系列、Doubao-Seed-2.0-lite、Doubao-Seed-2.0-mini、qwen3.5-flash、gemini-3.1-flash-lite-preview、gpt-5.4-nano
• 中等档（0.01–0.1 元 / 题）：Qwen 系主力、Doubao-Seed-2.0-pro、MiMo系列、Kimi-K2.6、claude-opus-4.7
• 高价档（> 0.1 元 / 题）：gpt-5.4-mini-high、gpt-5.4-high、gpt-5.5、gemini-3.1-pro-preview

每 1% 准确率，最便宜的模型只要 0.0037 元

按“每 1% 准确率消耗的总成本”算性价比，前 5 名是：

不过 gemma-4 系列准确率太低（30 多）实用性有限，真正的性价比甜区是 #3-#5 这三个：花不到 1 块钱，准确率能到 56-61%。

而排名最差的：

gpt-5.4-high 每 1% 准确率的成本，是 Doubao-Seed-2.0-mini 的 144 倍。

五、GPT系列在中文 OCR 上集体翻车

这次评测里最反直觉的发现：OpenAI gpt 系列在中文 OCR 上集体不及格。

数据摆出来

最贵的 gpt-5.4-high，准确率甚至低于花 0.87 元的 Doubao-Seed-2.0-lite（60.9%）。

更细致地看：

• gpt-5.4-nano 系列在中文手写任务上准确率为 0%，gpt-5.4-nano 一道都没对。
• gpt-5.4 系列在票据结构化上：从 high 到 nano，准确率分别是 37.5%、25.0%、31.2%、37.5%、0%、0%——都不算好。
• gpt-5.5（OpenAI 当前主力）的工整手写任务的准确率只有 17.4%——而 Kimi K2.6 是 71.7%。

实用结论

如果你的业务主要在中文 OCR：

• 不要选 gpt-5.4-nano / nano-high（不可用）
• 不要为了"图省事用一家"而把中文 OCR 任务也丢给 gpt-5.4-high / gpt-5.5（贵得不值）
• 用国产模型的成本是 gpt 系列高端档的 1/10 到 1/20，准确率反而更高

六、七大子任务表现情况

热力图比表格更直观——绿色越深的格子代表那个模型在那个任务上越强。一眼看下去：

• 顶部三行（Kimi K2.6、Qwen3.6-plus、Qwen3.5-122B-A10B）几乎全绿——Top 模型在大部分任务上都不弱。
• 从中段开始，每个模型都有自己的红/黄“短板列”。
• 最下方（gpt-5.4-nano 系）整行偏红/黄——除了少数几个任务，全面拉胯。
• “竖排文本”那一列整体偏红——这是行业级共性短板。

七、速度：能不能"又快又准"？

抛开成本不谈，纯看响应速度：

极速档（< 30s/题）

只有两个模型进入这一档：

• Doubao-Seed-2.0-mini：28.1s/题，准确率 57.0%
• gemma-4-26b-a4b-it：25.8s/题，但准确率只有 33.6%

Doubao-Seed-2.0-mini 是这次评测里唯一“又快又准”的模型——比国产其他模型快 4-5 倍，准确率仍能进入第一梯队。如果你的业务对延迟敏感（比如实时上传识别），Doubao-Seed-2.0-mini 是当前几乎唯一的选择。

主流档（90-130s/题）

绝大多数模型都在这个区间。这个时延对实时交互场景来说偏长，但对批处理 / 异步识别来说完全够用。

慢档（> 130s/题）

包括 Qwen3.5-122B-A10B（138.9s）、Qwen3.5-27B（142.1s）、gpt-5.4-high（145.9s）。这些模型推理慢可以理解，但gpt-5.4-high 既慢又不准还贵，当前的中文OCR场景建议不要选它。

八、写在最后

OCR 这件事，看起来朴素，但它是大模型走进真实办公场景的入口。能不能把一张报销单读对，比能不能写一首十四行诗，对一线业务的价值更直接。

这次评测让我们看到的不是“国产 vs 国外谁赢谁输”，而是几条更具体的事实：

1. 针对性专项数据是真实优势——Kimi 在中文手写、Qwen 在繁体、Doubao 在竖排和版式，都是看得见摸得着的数据投入回报。

2. 价格与质量在中文 OCR 上严重脱钩——花十倍的钱用 gpt-5.4-high 换不来更高的准确率，反而要更低的。

3. 行业还有共同短板——票据结构化封顶 50%、竖排文本封顶 42%，这两块谁先解决谁就能开一条新赛道。