没人测的中文文档天梯：古籍竖排、中医舌象、快递面单、麻将牌面与工业质检

所有公开的多模态基准都在测同一批东西：印刷体、表格、公式、手写英文、街景标志。没有一份主流基准在测古籍竖排、中医舌象、快递面单、麻将牌面或者工业质检图——而这些恰恰是国产模型每天在真实业务里处理的东西，也是海外模型完全不做的地方。

这篇文章建一份独立的小天梯榜：8 类没人测的中文文档，32 款模型逐一评估。它与这份 2026 中国国产原生多模态大模型对比排名天梯榜 的总榜前三名只有 1 款重合。

为什么公开基准测不到这些

不是技术上测不了，是三个结构性原因：

• 数据无法公开。 快递面单含收件人信息、中医舌象含患者信息、工业质检图含产线工艺参数，全部不能进公开数据集。
• 标注需要领域专家。 舌象的“苔薄白”与“苔薄黄”之分、古籍异体字的归一规则、质检缺陷的等级判定，标注成本是普通 OCR 的十倍以上。
• 海外机构没有需求。 竖排繁体古籍、红头文件版式、麻将牌面，对英文世界的模型评测没有价值，因此永远不会进 MMMU 或 OCRBench。

三条合起来的结果是：这些场景上没有任何公开分数可参考，选型只能靠厂商垂类案例、社区零散复现和你自己的验收测试。 本站给出的是结构化桌面评估，每一项都标了依据，但它不替代你的 50 张图。

八类场景与各自的难点

类别	核心难点	与标准 OCR 的区别
古籍竖排 + 异体字	阅读顺序、异体字归一、无标点断句	顺序右到左、上到下，与所有现代版式相反
中医舌象 / 面诊图	颜色细微过渡、苔质纹理、光照色偏	要的是属性判断，不是字符识别
快递面单	手写地址、条码与文字对齐、热敏纸褪色	手写体 + 低质介质 + 严格字段结构
麻将 / 牌类牌面	细粒度类别、旋转不变性、遮挡	数十类极相似图案，差一条杠就是另一张牌
工业质检缺陷图	微小划痕、纹理背景抑制、缺陷分级	目标是“有没有、多严重”，不是“写了什么”
中文菜单	艺术字、手写价签、油污反光、密集排版	识别 + 结构化 + 价格推断三件事一起做
红头文件	印章遮挡正文、骑缝章、发文字号	印章会盖住关键字，必须做遮挡恢复
戏曲脸谱 / 文物纹样	流派与年代归属、纹样命名、无文字可读	纯视觉知识，考文化先验而不是 OCR

第三列是关键：这八类里有四类（舌象、质检、脸谱、麻将）根本不是 OCR 任务，而是视觉知识任务。把它们放进“OCR 选型”里讨论，是因为业务方通常用同一个采购流程买这两种能力——这是一个常见且代价很高的错误。

逐类结果

每类给出前三名与主要失败模式。评分为 0–100 的桌面评估，依据是厂商垂类案例、公开论文同类指标与社区复现。

古籍竖排 + 异体字

1. GLM-5.3 92 — 公文与典故语料积累深，异体字归一最稳
2. Qwen3.5-397B 90 — 32 语言 OCR 与文档 97 的底子，竖排偶有错行
3. DeepSeek-OCR 2 89 — 版面还原第一，但异体字会输出原字而不归一
4. 书生 InternVL 4.0 88 — 开源阵营在此类的最好成绩，错行率仍高于闭源前三

失败模式：把竖排读成横排（整句错序）、把注疏小字与正文混排。

中医舌象 / 面诊图

1. SenseNova 6.5 Pro 86 — 专业视觉与医疗垂类案例最多
2. 华为盘古 5.5 84 — 行业模型路线，医院落地经验
3. 讯飞星火 X2 82 — 医疗语音与影像同源语料

失败模式：色偏未校正时苔色判断整体偏移；给出诊断性结论而非描述性结论（合规风险）。

快递面单

1. Qwen3.8-Max 96 — 文档 97，手写与印刷字段对齐最稳
2. DeepSeek-OCR 2 95 — 版面解析专精，¥0.8 单价适合日千万级
3. DeepSeek-V4.1-Flash 91 — 印刷体极强，手写体是短板

失败模式：热敏纸褪色导致末位数字丢失；手写地址的省市推断错误。

麻将 / 牌类牌面

1. 豆包 Seed 2.0 Pro 88 — 中文生活场景先验最强
2. MiMo-V2.5 85 — 端侧高频场景训练充分
3. Qwen3.8-Max 83 — 通用能力强但牌面样本先验不足

失败模式：万/条/筒在低分辨率下互混；被手指遮挡一半的牌会直接猜而不是报“不可判”。

工业质检缺陷图

1. SenseNova 6.5 Pro 87 — 工业视觉是商汤传统强项
2. 华为盘古 5.5 86 — 产线侧部署案例最多，故障预警 72h
3. 阶跃 Step-3 81 — 通用视觉底子好，缺垂类微调

失败模式：把纹理背景误判为缺陷（假阳率高）；无法给出缺陷等级，只能回答“有/无”。

中文菜单

1. 豆包 Seed 2.0 Pro 95 — 菜名先验断层领先，地方菜系零样本可识别
2. MiMo-V2.5 91 — 高频拍照点餐场景
3. 讯飞星火 X2 88 — 中文语境强，油污反光下掉分

失败模式：艺术字与手写价签关联错误（把 A 菜的价格挂到 B 菜）；反光区域直接留空。

红头文件

1. GLM-5.3 94 — 公文语体与版式最熟，发文字号识别稳
2. GLM-5 92 — 同系前代，仍是政企主力
3. 文心 ERNIE 5.1 89 — 百度政务生态积累

失败模式：印章遮挡处直接跳过而非尝试恢复；骑缝章导致跨页字段错位。

戏曲脸谱 / 文物纹样

1. 豆包 Seed 2.0 Pro 90 — 中文文化维度 97，古建与文物先验最好
2. SenseNova 6.5 Pro 86 — 视觉细粒度强
3. 文心 ERNIE 5.1 84 — 文化知识图谱路线

失败模式：脸谱流派张冠李戴；纹样命名用西方美术史术语而不是中文行话。

第九类：神经信号解码图，只有一名参赛者

上面八类至少都有三款模型可比。第九类不是这样——神经康复评估中的 EEG/fNIRS 时序图，本站只有一名参赛者：脑虎 NeuroXess-N1。

这件事本身比分数更值得说。一个场景只有一名参赛者，意味着：

• 没有横向对比可言，88 分的“神经信号解码”场景分只对历史版本有意义；
• 没有备胎。该场景的采购决策不是“选哪款”，是“用不用它”；
• 它的证据等级是 C——全部数字来自厂商口径，因为没有任何第三方复现，不是复现困难，是没人做。

把这类场景写进小天梯榜，是本站与所有横评的结构性差异：横评比“谁在热门场景更强”，我们同时记录“谁在冷门场景唯一”。后者没有流量，但有信息量——对那 1% 需要它的读者，这页就是全网唯一答案。

小天梯榜：与总榜前三只有 1 款重合

把八类分数按业务常见度加权（面单 20%、菜单 15%、红头文件 15%、古籍 12%、质检 12%、舌象 10%、牌面 8%、脸谱 8%）：

名次	模型	加权分	总榜名次	落差
1	豆包 Seed 2.0 Pro	91.6	2	−1
2	GLM-5.3	90.2	4	−2
3	SenseNova 6.5 Pro	86.4	8	−5
4	Qwen3.8-Max	86.1	1	+3
5	DeepSeek-OCR 2	84.9	20	−14
6	华为盘古 5.5	83.5	21	−14
7	MiMo-V2.5	82.8	7	0
8	Qwen3.5-397B	81.7	3	+5
9	书生 InternVL 4.0	79.8	16	−6

前三名里只有豆包同时出现在总榜前三。Qwen3.8-Max 从第 1 掉到第 4，Qwen3.5-397B 从第 3 掉到第 8。

为什么通用文档最强的两款在这里掉队？ 因为 Qwen 系的文档优势建立在标准版式上——票据、表格、跨页比对、多语言，这些有公开基准、有大规模训练数据。而舌象、脸谱、麻将、质检考的是文化先验与垂类案例积累，这两件事都不是靠 tokenizer 和上下文长度能解决的。

反过来，DeepSeek-OCR 2 与华为盘古 5.5 上升 14 名：前者在面单与古籍两类拿高分（版面解析专精），后者在舌象与质检两类进前三（行业模型路线）。这两款在总榜排 20 和 21，在冷门中文文档上是第 5 和第 6。

InternVL 4.0 的 79.8 分值得单独读：它是开源阵营进入这个小天梯榜的唯一一款，排在第 9 名，比第 8 名的 MiMo-V2.5 低 3.0 分。开源在标准文档上已经追到 90 分档，在文化先验类场景上还差一个身位——这不是能力差距，是训练数据里有多少“舌象照片”的差距。

这就是 排名背离指数 那篇说的现象在垂类上的复现：总榜名次对专精模型的预测力接近于零。

验收清单：50 张图怎么挑

不要拿公开榜单截图做验收。挑 50 张自己的图，按这个配比：

• 20 张典型样本（正常光照、清晰、完整版式）
• 15 张边界样本（褪色、反光、遮挡、倾斜 15 度以上）
• 10 张对抗样本（手写与印刷混排、印章盖住关键字、两张相似单据并排）
• 5 张“应该拒答”的样本（模糊到人都认不出、关键信息缺失）

最后一组最容易被忽略，也最能区分档次。好模型会说“不可判”，差模型会猜一个看起来合理的答案。 在面单与舌象这两类场景里，一个自信的错答比一个拒答的代价高一个数量级。

验收指标至少记三项：字符准确率、字段结构还原率、拒答正确率。只报第一项的评测没有参考价值。

为什么新入榜的行业模型不进八类加权

本期新增的六款里，观澜（安防视频）与从容（人像识别）看起来“该进”这个小天梯榜，但我们没有把它们放进八类加权，原因值得说清楚：八类考的是“读懂中文内容”，而它们的主场是“识别特定目标”——安防缺陷检测考的是“有没有人翻墙”，人像核验考的是“是不是同一个人”，两者都不是字符识别，也不是版面理解，硬塞进加权表只会得到两个无意义的低分。

它们的正确去处是两个更专门的小天梯：监控视频类见 安防监控视频小天梯（观澜是那篇的唯一深拆对象），识别类与场景独占见 行业场景独占地图。小天梯榜的原则是“一类一榜”：把不同的采购身份塞进同一张加权表，正是综合分最常犯的错。

医疗与文物场景的额外门槛

舌象与面诊属于医疗场景，能力排名只是入围条件。真正的决定项是医疗器械注册证、数据合规路径与诊断结论的可追溯性——天梯榜能告诉你哪几款看得懂舌象图，不能告诉你哪一款可以用于诊断。在没有注册证的前提下，任何模型的输出都只能作为描述性参考。

文物与古籍场景的门槛是另一类：异体字归一需要遵循具体的整理规范，模型如果直接输出原字或自行简化，都会给后续录入制造麻烦。选型时要把“是否支持指定归一表”当硬指标问，而不是看 OCR 准确率。

两类的完整门槛清单见 一票否决天梯榜。