百度近日重磅发布并开源其自主研发的多模态文档解析模型PaddleOCR-VL，这一突破性成果在全球权威评测榜单OmniBenchDoc V1.5中斩获92.6分的高分，强势登顶综合性能全球第一的宝座。该模型在文本识别、表格解析、公式识别以及阅读顺序预测这四大核心能力上均展现出卓越表现，充分彰显了百度在AI文档处理领域的领先技术实力。
PaddleOCR-VL的核心模型参数仅为0.9B，实现了轻量与高效的完美平衡。在极低的计算开销下，该模型能够精准识别包括文本、手写汉字、表格、公式及图表在内的复杂文档元素，为智能文档处理提供了强大支持。值得注意的是，PaddleOCR-VL支持109种语言，全面覆盖中文、英语、法语、日语、俄语、阿拉伯语和西班牙语等多种语言场景，使其在全球化应用中具有无与伦比的优势。
作为文心4.5的衍生模型，PaddleOCR-VL-0.9B通过创新性地融合NaViT动态分辨率视觉编码器与ERNIE-4.5-0.3B语言模型，成功实现了在识别精度和计算效率上的双重突破。在OmniDocBench v1.5评测中，该模型的表现尤为亮眼：文本编辑距离达到0.035，公式识别的CDM（字符描述符匹配）高达91.43，表格的TEDS（表格元素描述）达到93.52，阅读顺序预测误差值仅为0.043。这些优异数据充分证明，PaddleOCR-VL在处理复杂文档、手写稿件及历史档案等高难度场景时具有出色的稳定性和可靠性。
在推理速度方面，PaddleOCR-VL同样表现卓越。在一张A100GPU上，该模型每秒可处理高达1881个Token，相较于其他主流OCR模型，推理速度提升显著：比MinerU2.5快14.2%，比dots.ocr更是提升了惊人的253.01%。这一突破性性能使PaddleOCR-VL在OCR技术领域树立了新的行业标杆。
与传统OCR技术不同，PaddleOCR-VL能够像人类一样理解复杂的版面结构。无论是财报表格、数学公式还是课堂笔记等多元信息，该模型都能实现精准提取，并自动恢复符合人类阅读习惯的顺序，确保信息传达的准确性和逻辑的清晰性。其创新的两阶段架构设计尤为值得称道：第一阶段负责版面检测与阅读顺序预测，第二阶段则进行文本、表格、公式等元素的识别与结构化输出，这种双阶段处理机制显著提高了识别的稳定性和效率。
PaddleOCR-VL的推出，不仅标志着百度在AI文档处理技术上的又一重大突破，更为政企文档管理、知识检索、档案数字化以及科研信息抽取等智能文档处理任务提供了强大而高效的解决方案。随着模型的持续优化和推广，PaddleOCR-VL有望推动整个文档处理行业迈向智能化新阶段，为用户带来更加便捷高效的文档体验。
