10月16日晚，百度负责发布并开源自研多模态文档解析模子PaddleOCR-VL。在全国泰斗文档解析评测榜单OmniBenchDoc V1.5中，PaddleOCR-VL以92.6分获取概述性能全国第一收成，四大中枢才气（文本、表格、公式、阅读司法）全线SOTA，越过 GPT-4o、Gemini-2.5 Pro、Qwen2.5-VL-72B等主流多模态大模子，以及MonkeyOCR-Pro-3B、MinerU2.5、dots.ocr等OCR专科模子，刷新全国OCR VL模子性能天花板。

　　据了解，PaddleOCR-VL其中枢模子参数仅0.9B，轻量高效，省略在极低商酌支拨下，精确识别文本、手写汉字、表格、公式、图表等复杂元素，守旧109 种谈话，遮蔽汉文、英语、法语、日语、俄语、阿拉伯语、西班牙语等多语场景，宽泛适用于政企文档处置、学问检索、档案数字化、科研信息抽取等文档智能任务。

　　行为文心4.5养殖模子，PaddleOCR-VL-0.9B通过会通NaViT动态分辨率视觉编码器与ERNIE-4.5-0.3B谈话模子，在精度与成果上获取双重错乱。

　　精度方面，在OmniDocBench v1.5上，PaddleOCR-VL兑现了文本裁剪距离仅0.035、公式识别CDM91.43、表格 TEDS93.52、阅读司法瞻望瑕玷值0.043的记录级阐扬，模子在复漫笔档、手写作、历史档案识别等高难度场景中亦能阐扬安闲。

　　推理方面，在单张A100GPU上，PaddleOCR-VL每秒可处理1881个Token，推理速率较 MinerU2.5栽植14.2%，较 dots.ocr 栽植253.01%。

　　区别于传统OCR仅能逐行识别翰墨，PaddleOCR-VL省略像东说念主同样读懂、判辨复杂版面结构，精确索要财报表格、数学公式、课堂手写札记等多元信息，并在识别后自动复原顺应东说念主类阅读民俗的阅读司法，精确别离标题、正文、图片与图注，确保信息无遗漏、逻辑不浩大。

　　架构上，PaddleOCR-VL 弃取改进的两阶段架构：第一阶段由 PP-DocLayoutV2 模子负责版面检测与阅读司法瞻望；第二阶段由 PaddleOCR-VL-0.9B 识别并结构化输出翰墨、表格、公式、图表等元素。相较端到端决议，省略在复杂版面中更安闲、更高效，灵验幸免多模态模子常见的幻觉与错位问题。

　　凭借轻量架构与高精度阐扬，PaddleOCR-VL 在性能、资本和落地性上兑现最好均衡，具备强实用价值。其结构化输出才气还能与 RAG（检索增强生成）系统深度集结，为大模子提供高质地学问输入，成为 AI 学问处理新阶段的伏击基础身手。

　　现在，PaddleOCR-VL 已全面开源：

　　开源地址：

　　?https://github.com/PaddlePaddle/PaddleOCR?

　　技艺答复地址：

　　?https://ernie.baidu.com/blog/publication/PaddleOCR-VL_Technical_Report.pdf?

　　体验Demo地址：

　　?https://aistudio.baidu.com/application/detail/98365?

【免责声明】【告白】本文仅代表作家本东说念主不雅点世界杯体育，与和讯网无关。和讯网站对文中论述、不雅点判断保握中立，不合所包含践诺的准确性、可靠性或齐备性提供任何昭示或表示的保证。请读者仅作参考，并请自行承担一都职守。邮箱：news_center@staff.hexun.com