百度正式发布多模态文档解析模型方案 PaddleOCR-VL

百度正式发布并开源自研多模态文档解析模型PaddleOCR-VL。在全球权威文档解析评测榜单OmniBenchDoc V1.5中，PaddleOCR-VL以92.6分取得综合性能全球第一成绩，四大核心能力（文本、表格、公式、阅读顺序）全线SOTA，超越 GPT-4o、Gemini-2.5 Pro、Qwen2.5-VL-72B等主流多模态大模型，以及MonkeyOCR-Pro-3B、MinerU2.5、dots.ocr等OCR专业模型，刷新全球OCR VL模型性能天花板。

据了解，PaddleOCR-VL其核心模型参数仅0.9B，轻量高效，能够在极低计算开销下，精准识别文本、手写汉字、表格、公式、图表等复杂元素，支持109 种语言，覆盖中文、英语、法语、日语、俄语、阿拉伯语、西班牙语等多语场景，广泛适用于政企文档管理、知识检索、档案数字化、科研信息抽取等文档智能任务。

作为文心4.5衍生模型，PaddleOCR-VL-0.9B通过融合NaViT动态分辨率视觉编码器与ERNIE-4.5-0.3B语言模型，在精度与效率上取得双重突破。

精度方面，在OmniDocBench v1.5上，PaddleOCR-VL实现了文本编辑距离仅0.035、公式识别CDM91.43、表格 TEDS93.52、阅读顺序预测误差值0.043的纪录级表现，模型在复杂文档、手写稿、历史档案识别等高难度场景中亦能表现稳定。

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

区别于传统OCR仅能逐行识别文字，PaddleOCR-VL能够像人一样读懂、理解复杂版面结构，精准提取财报表格、数学公式、课堂手写笔记等多元信息，并在识别后自动还原符合人类阅读习惯的阅读顺序，精准区分标题、正文、图片与图注，确保信息无遗漏、逻辑不混乱。

架构上，PaddleOCR-VL 采用创新的两阶段架构：第一阶段由 PP-DocLayoutV2 模型负责版面检测与阅读顺序预测；第二阶段由 PaddleOCR-VL-0.9B 识别并结构化输出文字、表格、公式、图表等元素。相较端到端方案，能够在复杂版面中更稳定、更高效，有效避免多模态模型常见的幻觉与错位问题。

凭借轻量架构与高精度表现，PaddleOCR-VL 在性能、成本和落地性上实现最佳平衡，具备强实用价值。其结构化输出能力还能与 RAG（检索增强生成）系统深度结合，为大模型提供高质量知识输入，成为 AI 知识处理新阶段的重要基础设施。

目前，PaddleOCR-VL 已全面开源：

开源地址：https://github.com/PaddlePaddle/PaddleOCR

技术报告地址：https://ernie.baidu.com/blog/publication/PaddleOCR-VL_Technical_Report.pdf

体验Demo地址：https://aistudio.baidu.com/application/detail/98365