衡宇 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

全球AI多模態(tài)競(jìng)速激戰(zhàn)正酣，百度又放了個(gè)大招！

旗下新模型憑借0.9B參數(shù)量，在最新OmniDocBench V1.5榜單上拿下92.6分的成績(jī)，獲得綜合性能全球第一。

它就是百度剛剛發(fā)布并在Day 1就開(kāi)源的自研多模態(tài)文檔解析模型PaddleOCR-VL。

（ps：0.9B參數(shù)量，對(duì)開(kāi)發(fā)者的個(gè)人電腦真的炒雞友好?。?/p>

發(fā)布16小時(shí)內(nèi)，該模型就登頂了抱抱臉Trending全球第一。

非常搶眼的是，這款模型不僅得分高，它還在文本識(shí)別、公式識(shí)別、表格理解、閱讀順序四大核心能力上全面拿下SOTA，成為當(dāng)前唯一在這四個(gè)維度全部排名第一的模型，刷新了全球OCR VL模型性能的新高線。

PaddleOCR-VL是一款面向復(fù)雜文檔結(jié)構(gòu)解析而設(shè)計(jì)的模型，是百度文心大模型體系下專注文檔解析任務(wù)的輕量化衍生產(chǎn)品，具備極強(qiáng)的行業(yè)落地導(dǎo)向和平臺(tái)集成能力，能輕松看懂令人頭禿的PDF和圖片。

敲黑板劃重點(diǎn)：它真的能理解格式雜、長(zhǎng)度長(zhǎng)的文檔中的邏輯結(jié)構(gòu)、表格關(guān)系、數(shù)學(xué)表達(dá)等等。

和小紅書等平臺(tái)上，這個(gè)模型已經(jīng)被大家先用起來(lái)并分享使用體驗(yàn)。

實(shí)用又好用，已經(jīng)收獲“哇”聲一片。

在AI從感知到認(rèn)知不斷躍遷的當(dāng)下，當(dāng)模型不再只是識(shí)字工具，變成了具備結(jié)構(gòu)感知與語(yǔ)義還原能力的利器，OCR在AI時(shí)代的意義也被徹底改寫。

登頂OmniDocBench，四大核心能力全線SOTA

PaddleOCR-VL登頂?shù)腛mniDocBench V1.5是目前全球衡量文檔解析能力最具權(quán)威性，也最具挑戰(zhàn)性的評(píng)測(cè)體系之一。

它經(jīng)清華大學(xué)、阿里達(dá)摩院、上海人工智能實(shí)驗(yàn)室等聯(lián)合發(fā)布，由開(kāi)源社區(qū)推動(dòng)發(fā)展，主要面向真實(shí)場(chǎng)景中的PDF文檔解析任務(wù)，包含1355頁(yè)P(yáng)DF，涵蓋9種文檔類型、4種布局類型和3種語(yǔ)言類型，以及文本、表格、公式、閱讀順序等多維任務(wù)。

在最新一期OmniDocBench V1.5榜單中，PaddleOCR-VL以92.6的綜合得分問(wèn)鼎榜首。

這頂全球桂冠背后，其實(shí)標(biāo)志著該模型在模型結(jié)構(gòu)設(shè)計(jì)、能力理解廣度和任務(wù)適配性上的整體優(yōu)勢(shì)。

尤其值得注意的是，PaddleOCR-VL核心模型參數(shù)僅0.9B——以輕量之身越級(jí)打怪，正面超越了Gemini-2.5 Pro、GPT-4o等與其體量懸殊的巨型多模態(tài)大模型，同時(shí)擊敗了OCR領(lǐng)域的垂直模型dots.ocr、MinerU等等。

更重要的是，PaddleOCR-VL以一己之身刷新了四項(xiàng)核心能力的SOTA。

第一項(xiàng)，文本識(shí)別。

PaddleOCR-VL以96.5的成績(jī)拿下全場(chǎng)最高分。

技術(shù)報(bào)告顯示，PaddleOCR-VL模型支持109種語(yǔ)言，覆蓋中文、英文、法文、阿拉伯文等主流語(yǔ)種，并在手寫、豎排、藝術(shù)字體等復(fù)雜形態(tài)下也保持極高識(shí)別精度，打破了傳統(tǒng)OCR“只識(shí)打印體”的能力瓶頸。

需要注意的是，OmniDocBench主要評(píng)測(cè)還局限在中英文印刷體上。

如果拉齊到手寫、古籍、多語(yǔ)種這些更復(fù)雜的場(chǎng)景，PaddleOCR-VL能以更驚人的優(yōu)勢(shì)甩開(kāi)現(xiàn)有多模態(tài)和OCR模型。

再來(lái)看這張被騎手加點(diǎn)餐人“折磨”到皺皺巴巴的外賣單，部分文字因折角、單據(jù)變形而被遮擋；因?yàn)榕臄z光線不好，單據(jù)上產(chǎn)生了明暗陰影……

就算是面對(duì)外賣單的變形和拍攝環(huán)境光照不均，PaddleOCR-VL也沒(méi)在怕的：

第二項(xiàng)，公式識(shí)別。

它CDM得分高達(dá)0.9453，遠(yuǎn)超其他對(duì)標(biāo)模型，能精準(zhǔn)還原論文、教材、試卷中復(fù)雜的數(shù)學(xué)公式，支持Latex格式生成——終于不用再手敲Latex了，抹淚。

在公式識(shí)別單項(xiàng)測(cè)評(píng)集上，PaddleOCR-VL的成績(jī)?yōu)?1.4，超過(guò)MinerU、MonkeyOCR-pro-3B等OCR界網(wǎng)紅模型，也是能力測(cè)試中唯一得分超過(guò)90的模型。

第三項(xiàng)，表格理解。

PaddleOCR-VL能夠精準(zhǔn)解析財(cái)報(bào)、統(tǒng)計(jì)報(bào)表中的嵌套表格與合并單元格，將非結(jié)構(gòu)化圖像信息快速轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)。

單項(xiàng)評(píng)測(cè)中，該模型得分達(dá)到89.8，在真實(shí)場(chǎng)景適配性上表現(xiàn)優(yōu)異。

第四項(xiàng)，閱讀順序。

這項(xiàng)能力讓它能夠像人一樣讀文檔，具體來(lái)說(shuō)，PaddleOCR-VL可以自動(dòng)判斷頁(yè)面中標(biāo)題、正文、圖片、圖注的閱讀邏輯，實(shí)現(xiàn)智能還原人類閱讀習(xí)慣。

技術(shù)報(bào)告顯示，PaddleOCR-VL的閱讀順序預(yù)測(cè)誤差（Reading Order Edit Distance）僅有0.043，是該榜單所有模型中最優(yōu)的表現(xiàn)。

BTW，四項(xiàng)核心能力外的一些能力，PaddleOCR-VL也穩(wěn)穩(wěn)沒(méi)在怕的。

比如現(xiàn)在新聞、報(bào)表中經(jīng)常會(huì)碰到的圖表，處理起來(lái)同樣是小菜一碟：

從語(yǔ)言到公式，從表格到閱讀邏輯，多項(xiàng)評(píng)測(cè)中，PaddleOCR-VL幾乎在所有維度上實(shí)現(xiàn)了人類級(jí)理解——

不僅能夠還原多欄報(bào)紙的復(fù)雜排版，還能智能重建教材中的多頁(yè)筆記結(jié)構(gòu)，準(zhǔn)確分辨內(nèi)容邏輯與版式結(jié)構(gòu)。

回到這個(gè)成績(jī)背后，我們看到的不止是模型能力的突破，更是AI逐步逼近人類文檔理解方式的一次真實(shí)躍遷。

小體量，大能量，創(chuàng)新設(shè)計(jì)突破逐行識(shí)別

傳統(tǒng)OCR系統(tǒng)大多采用逐行識(shí)別策略，面對(duì)多欄、嵌套、錯(cuò)行、圖文混排等復(fù)雜版面時(shí)往往力不從心，容易出現(xiàn)錯(cuò)位、信息遺漏等問(wèn)題。

PaddleOCR-VL之所以擁有“像人一樣理解結(jié)構(gòu)”的能力，一方面是其在數(shù)據(jù)構(gòu)建與訓(xùn)練策略上完成了優(yōu)秀的系統(tǒng)工程——

整個(gè)模型雖然只有0.9B參數(shù)量，但在訓(xùn)練過(guò)程中，共使用超3000萬(wàn)樣本。

這些訓(xùn)練數(shù)據(jù)涵蓋文本、表格、公式、圖表等多模態(tài)信息，數(shù)據(jù)來(lái)源包括公開(kāi)數(shù)據(jù)、自動(dòng)合成數(shù)據(jù)、互聯(lián)網(wǎng)采樣數(shù)據(jù)和百度自研數(shù)據(jù)，輔以難例挖掘機(jī)制，保證訓(xùn)練集的多樣性和挑戰(zhàn)性。

另一方面，也是最重要的一方面，PaddleOCR-VL研發(fā)團(tuán)隊(duì)從底層架構(gòu)上進(jìn)行了革新。

從架構(gòu)層面來(lái)看，PaddleOCR-VL采用了創(chuàng)新性的兩階段架構(gòu)：

第一階段由PP-DocLayoutV2模型負(fù)責(zé)對(duì)文檔版面進(jìn)行分析，定位語(yǔ)義區(qū)域，并預(yù)測(cè)閱讀順序。

第二階段則由PaddleOCR-VL-0.9B進(jìn)行細(xì)粒度識(shí)別，完成文本、表格、公式、圖表等多類內(nèi)容的結(jié)構(gòu)化輸出。

相較端到端黑盒式方案，這種模塊解耦、任務(wù)細(xì)化的設(shè)計(jì)讓模型在面對(duì)復(fù)雜版面任務(wù)時(shí)，表現(xiàn)得更穩(wěn)定、更高效，有效避免了多模態(tài)模型常見(jiàn)的幻覺(jué)與錯(cuò)位問(wèn)題。

作為文心4.5衍生模型，PaddleOCR-VL-0.9B通過(guò)融合NaViT動(dòng)態(tài)分辨率視覺(jué)編碼器與ERNIE-4.5-0.3B語(yǔ)言模型，在效率與精度上取得了雙重突破。

推理方面，PaddleOCR-VL在單張A100上推理速度達(dá)1881token/s。

精度方面，PaddleOCR-VL實(shí)現(xiàn)了文本編輯距離僅0.035、公式識(shí)別CDM 91.43、表格 TEDS 89.76、閱讀順序預(yù)測(cè)誤差值0.043的紀(jì)錄級(jí)表現(xiàn)。

除上之外，PaddleOCR-VL還集成了四大技術(shù)突破。

• 高性能、資源高效的文檔解析能力：采用輕量化設(shè)計(jì)與異步推理機(jī)制，顯著領(lǐng)先同類模型。
• 復(fù)雜文檔內(nèi)容的高級(jí)解析能力：支持復(fù)雜公式、嵌套表格、手寫圖表等難度場(chǎng)景，適配真實(shí)業(yè)務(wù)流程。
• 圖表結(jié)構(gòu)化轉(zhuǎn)換能力：能將柱狀圖、餅圖等圖像信息結(jié)構(gòu)化為表格格式，支撐自動(dòng)化分析。
• 全面的多語(yǔ)種文本識(shí)別：涵蓋109種語(yǔ)言，特別強(qiáng)化對(duì)豎排、藝術(shù)字體、手寫字符等的識(shí)別能力。

看到這里，我們拿出了最近被網(wǎng)友在GitHub上扒出的宇樹(shù)科技創(chuàng)始人王興興的碩士畢業(yè)論文《新型電驅(qū)式四足機(jī)器人研制與測(cè)試》。

這篇近10年前的論文，里面含大量行內(nèi)或獨(dú)立的Latex公式，圖表交錯(cuò)，插圖與文字混排，引用繁多，是一份非常合格的用來(lái)測(cè)試PaddleOCR-VL真實(shí)能力的超絕必勝技（doge）。

在Document Parsing模式（這個(gè)模式可識(shí)別具有結(jié)構(gòu)化布局的整頁(yè)文檔，例如報(bào)告、論文或雜志）下，無(wú)論是像人一樣自動(dòng)判斷頁(yè)面邏輯，并識(shí)別和分析原論文中的各項(xiàng)內(nèi)容——

還是傳統(tǒng)OCR模型難以正確提取的復(fù)雜流程圖——

亦或者集公式和圖像于一頁(yè)的case——

PaddleOCR-VL真的全部都完美處理了……

難怪PaddleOCR-VL在全球大模型混戰(zhàn)中，在OCR這條賽道上實(shí)現(xiàn)精度、速度、功耗的三贏。

它打破了“大模型才有好效果”的行業(yè)迷思，證明了架構(gòu)合理、任務(wù)聚焦的“小”模型同樣可以在實(shí)際應(yīng)用中跑贏大模型，具備更強(qiáng)的落地能力與部署價(jià)值。

這也使其成為文心4.5大模型家族中最具工程價(jià)值與產(chǎn)業(yè)可行性的代表之一，補(bǔ)足文心在復(fù)雜文檔解析任務(wù)上的關(guān)鍵拼圖。

全球大模型都在卷，百度派出文心最強(qiáng)衍生模型先跑一步

在產(chǎn)業(yè)智能化浪潮中，OCR早已成為各行業(yè)不可或缺的數(shù)字化基礎(chǔ)設(shè)施，是推動(dòng)萬(wàn)物智能化、流程自動(dòng)化、信息結(jié)構(gòu)化的關(guān)鍵底層能力。

生活中諸多現(xiàn)實(shí)場(chǎng)景，如金融商業(yè)、教育與科研、政務(wù)與公共服務(wù)、文化與歷史保護(hù)等，OCR都在起到降本增效的不可替代作用。

尤其在文檔密集型行業(yè)，PaddleOCR-VL能看、能讀、能理解，可以作為“文檔工作助手”接入各種流程即刻上崗，真正幫企業(yè)提效、幫用戶省心。

大模型浪潮洶涌而來(lái)的當(dāng)下，PaddleOCR-VL的結(jié)構(gòu)化輸出能力還能與RAG系統(tǒng)深度融合，為大模型提供更高質(zhì)量、更可控的知識(shí)輸入，構(gòu)建起從“非結(jié)構(gòu)化文檔”到“可用知識(shí)”的閉環(huán)。這也意味著，它不僅是一款文檔解析工具，更是AI時(shí)代企業(yè)知識(shí)中臺(tái)建設(shè)中的關(guān)鍵基礎(chǔ)設(shè)施。

沒(méi)錯(cuò)，進(jìn)入大模型技術(shù)洶涌澎湃的時(shí)代，OCR已經(jīng)被賦予了前所未有的戰(zhàn)略價(jià)值——它不再只是幫助或代替人識(shí)字的工具，而是進(jìn)階成為AI理解世界的入口。

首先可以看到，如今的現(xiàn)實(shí)世界，信息大多以非結(jié)構(gòu)化文檔、圖片、掃描件的形式存在，OCR承擔(dān)了“從真實(shí)世界到數(shù)字世界”的轉(zhuǎn)換職責(zé)。

與此同時(shí)，在RAG、智能搜索、知識(shí)問(wèn)答等系統(tǒng)中，OCR識(shí)別質(zhì)量決定了輸入信息的保真度。輸入有多準(zhǔn)，最終輸出才有多可靠。

不知不覺(jué)間，OCR其實(shí)已經(jīng)被時(shí)代技術(shù)浪潮推上了“AI新應(yīng)用鏈條的守門人”之位。

于是也就不難理解，成為底層語(yǔ)義理解的試金石的OCR，已成為全球科技巨頭大模型布局中不可或缺的一環(huán)。Mistral AI、Google、OpenAI、阿里、騰訊等均在此方向加大投入，試圖將視覺(jué)-語(yǔ)言模型延伸至文檔語(yǔ)義深層解析。

PaddleOCR-VL正是百度瞄準(zhǔn)這一趨勢(shì)對(duì)OCR能力進(jìn)行的革新性升級(jí)。

作為文心4.5體系中唯一以O(shè)CR為核心任務(wù)深度優(yōu)化的產(chǎn)品，它將文心的理解能力延展至最復(fù)雜、最具結(jié)構(gòu)挑戰(zhàn)的文檔領(lǐng)域，將文心的理解能力進(jìn)一步拓展到復(fù)雜文檔結(jié)構(gòu)解析任務(wù)，在語(yǔ)義理解的精度與廣度上打開(kāi)了新邊界。

更重要的是，PaddleOCR-VL的領(lǐng)先并非大力出奇跡的參數(shù)優(yōu)勢(shì)或偶然的工程疊加。

PaddleOCR-VL綜合性能全球第一、四項(xiàng)核心能力拿下新SOTA的力量，源自百度在多模態(tài)智能方向上多年持續(xù)布局的系統(tǒng)性成果。通過(guò)融合NaViT動(dòng)態(tài)分辨率視覺(jué)編碼器與ERNIE-4.5-0.3B語(yǔ)言模型，從文心主干模型到衍生垂類模型，這一體系化建設(shè)終于在OCR領(lǐng)域結(jié)出碩果。

AI正在重構(gòu)信息的入口，而格式繁復(fù)內(nèi)容豐富的文檔，是世界最難被理解的一種語(yǔ)言。誰(shuí)能讀懂現(xiàn)實(shí)世界的文檔，誰(shuí)就掌握了理解現(xiàn)實(shí)的鑰匙。

PaddleOCR-VL的出現(xiàn)，把這把鑰匙從參數(shù)堆砌的巨獸手中，交還給真正理解場(chǎng)景的設(shè)計(jì)者。

它的誕生還標(biāo)志著中國(guó)模型第一次以“劃線者”的姿態(tài)，在全球多模態(tài)文檔解析賽道上寫下自己的標(biāo)準(zhǔn)答案。

GitHub：
https://github.com/PaddlePaddle/PaddleOCR
技術(shù)報(bào)告：
https://arxiv.org/pdf/2510.14528
體驗(yàn)Demo地址：
https://aistudio.baidu.com/application/detail/98365