Define Paddle/model caching and deployment strategy (docs + scripts)

[loootte]

Problem

PaddleOCR 与模型体积大，且首次下载/安装在不同环境下表现不一；目前仓库对模型与大依赖的管理策略不明确，这会导致开发者和 CI 在安装/缓存/发布阶段遇到不一致或失败。

Proposed work

• 编写 docs/deploy-models.md（或扩展 docs/deploy.md）说明：
  • 推荐的 Paddle base 镜像（CPU/GPU）和对应 Python 版本
  • CI 中缓存 Paddle 模型与本地缓存目录（比如 ~/.paddleocr）的策略与 cache key 设计
  • 可选：提供一个小脚本 scripts/fetch-paddle-models.py 下载并校验模型并写入 samples/paddle-models/ 或 CI 缓存路径
  • 说明在 Sidecar / Windows 打包时如何处理模型（预装 vs 运行时下载 vs 附加体积）
• 在仓库根添加一个可选的 requirements-eval.txt（用于 eval 的 Paddle 版本），并在 CI 文档中明确哪条 workflow 会使用它
• 在 docs 中建议一个分层发布策略：default release（不包含 Paddle）和 full release（包含预装模型或指向镜像）

Acceptance criteria

1. docs/deploy-models.md（或 docs/deploy.md 的一节）存在并涵盖上述内容。
2. scripts/fetch-paddle-models.py（可选）草案存在，能在 CI 中单独运行以预拉模型到缓存目录。
3. requirements-eval.txt 已在 core/ 并在 README/CI 文档中列出其目的。

Notes

• 不要把大模型提交到仓库；使用缓存或外部下载的方式。
• 保持 CI 的可重复性，建议在 CI 中先检查缓存，再决定是否下载。