PaddleOCR-VL

基本介绍

PaddleOCR-VL是百度于2025年10月16日发布的多模态文档解析模型，总参数量0.9B。该模型采用NaViT动态分辨率视觉编码器与ERNIE-4.5-0.3B语言模型的两阶段架构，支持109种语言识别，覆盖手写体、竖排文本、艺术字体等复杂形态。在OmniDocBench V1.5榜单中以92.6分综合得分位居全球第一，文本识别、公式识别、表格理解、阅读顺序预测四项核心能力均达SOTA水平，推理速度达1881token/s（单A100 GPU）。

2026年1月29日，百度开源升级版PaddleOCR-VL-1.5模型，以94.5%整体精度刷新OmniDocBench V1.5榜单纪录，新增异形框定位技术，支持扫描倾斜、折叠变形等复杂场景文档解析。该版本融合印章识别与跨页表格自动衔接功能，在AMD GPU上通过ROCm 7.0实现当日部署支持。开发者可通过GitHub、Hugging Face等平台获取开源代码。

发展历程

2025年10月16日，百度首次发布并开源PaddleOCR-VL模型，在OmniDocBench V1.5榜单中取得全球SOTA成绩，综合得分92.6分，并连续五天登顶HuggingFace全球模型总趋势榜与ModelScope全球模型总趋势榜双榜第一。

2025年12月16日，PaddlePaddle社区发布关于微调PaddleOCR-VL的教程。

2026年1月29日，百度正式发布并开源新一代文档解析模型PaddleOCR-VL-1.5，该模型以仅0.9B参数的轻量架构，在全球权威文档解析评测榜单OmniDocBench V1.5中取得全球综合性能第一成绩，整体精度达到94.5%。该模型全球首次实现“异形框定位”能力，新增印章识别、文本检测与识别等任务能力，支持藏语、孟加拉语等多语种，并支持跨页表格自动合并与跨页段落标题识别。

2026年2月12日，AMD宣布在PaddleOCR-VL-1.5发布当天实现对该模型的Day 0支持，成功在AMD GPU上基于ROCm 7.0运行。

应用与影响

PaddleOCR-VL系列模型具有多模态文档解析能力，应用于金融票据处理、档案数字化、政务文档流转等场景。

该模型被集成于Cherry Studio等工具中，用于本地知识库的文档解析与数据处理。其输出的结构化信息，可为下游RAG系统和LLM应用提供知识输入。

PaddleOCR-VL-1.5采用了“异形框定位”等技术，以应对传统OCR在移动拍照、扫描件变形、复杂光照等场景中因文档形变导致的识别问题。

PaddleOCR-VL系列模型具有轻量化、效率较高和精度较高的特点。其初代版本曾位列HuggingFace全球趋势榜前列PaddleOCR-VL-1.5版本在文档解析评测榜单OmniDocBench V1.5中综合性能得分领先，整体精度为94.5%。

该模型支持从云端API调用到本地Docker部署等多种部署方式。在硬件生态方面，AMD在PaddleOCR-VL-1.5发布当天实现了对该模型的支持，使其可在AMD GPU上基于ROCm 7.0运行。

开源与生态

PaddleOCR-VL-1.5为开源模型。

PaddleOCR设有开发者社区，提供ERNIEKit训练工具、PaddleOCR-VL模型部署实战营等资源，并举办Hackathon教程等社区活动。

PaddleOCR-VL-1.5模型支持在H800、A100、RTX 4090D等多种硬件上进行推理，AMD GPU已通过ROCm 7.0实现支持。

PaddleOCR-VL-1.5基于文心大模型开发，属于百度飞桨PaddlePaddle生态。

特色功能

<h3> 产品功能 </h3> <p> 模型支持109种语言，覆盖手写、竖排、艺术字体等复杂形态，公式识别CDM得分0.9453，表格理解得分89.8，阅读顺序预测误差仅0.043。 </p> <h3> 技术特点 </h3> <p> PaddleOCR-VL模型采用“布局分析+元素识别”两阶段架构。第一阶段由PP-DocLayoutV2/V3模型负责文档版面分析、元素检测与分类以及阅读顺序预测。第二阶段由核心模型PaddleOCR-VL-0.9B进行元素识别与结构化输出。核心模型PaddleOCR-VL-0.9B是一种为资源高效推理设计的视觉语言模型，融合了NaViT风格的动态高分辨率视觉编码器与轻量级ERNIE-4.5-0.3B语言模型。该模型采用两阶段架构，融合NaViT动态分辨率视觉编码器与ERNIE-4.5-0.3B语言模型。 </p> <p> 该模型实现了OCR模型的“异形框定位”（多边形框）能力，能够处理因倾斜、弯折、拍照畸变、屏幕反光等导致的非规则形态文档。同时，模型支持跨页表格自动合并与跨页段落标题连续识别。在识别能力上，该模型具备印章识别与文本行定位能力，并对生僻字、古籍文献、多语种表格、下划线与复选框等复杂结构识别进行了优化。模型支持包括中文、英文、藏语、孟加拉语等在内的109种语言识别，覆盖手写体、竖排文本、艺术字体等多种形态。 </p> <p> PaddleOCR-VL-0.9B通过知识蒸馏、模型量化等技术，在轻量级参数下运行。在文档解析基准OmniDocBench V1.5上，PaddleOCR-VL-1.5版本取得了94.5%的综合精度，其推理速度在单张A100 GPU上可达每秒1881个Token。该模型支持通过OpenVINO、Docker等多种方式部署，并能适配从数据中心服务器到边缘设备的各种计算环境。该模型在发布后于HuggingFace平台上受到关注。 </p> <h3> 性能表现 </h3> <p> 在权威文档解析评测基准OmniDocBench V1.5中，PaddleOCR-VL-1.5取得94.5%的整体精度，其公式识别（FormulaCDM）达94.21%，表格识别（TableTEDS）达92.76%，文本识别（TextEdit）误差为0.035，阅读顺序预测（Reading OrderEdit）误差为0.042。 </p> <p> 在针对真实世界物理畸变鲁棒性评测的Real5-OmniDocBench基准上，PaddleOCR-VL-1.5的整体精度达92.05%，在扫描、倾斜、弯曲、屏幕翻拍和光照不均五个子场景下进行了测试。 </p> <p> 在单张A100 GPU上，PaddleOCR-VL每秒可处理1881个Token，推理速度较MinerU2.5提升14.2%。 </p> <p> PaddleOCR-VL在OmniDocBench v1.0、olmOCR-Bench等基准测试中也表现较好。 </p>

规格参数

<h3> 应用与影响 </h3> <p> PaddleOCR-VL系列模型具有多模态文档解析能力，应用于金融票据处理、档案数字化、政务文档流转等场景。 </p> <p> 该模型被集成于Cherry Studio等工具中，用于本地知识库的文档解析与数据处理。其输出的结构化信息，可为下游RAG系统和LLM应用提供知识输入。 </p> <p> PaddleOCR-VL-1.5采用了“异形框定位”等技术，以应对传统OCR在移动拍照、扫描件变形、复杂光照等场景中因文档形变导致的识别问题。 </p> <p> PaddleOCR-VL系列模型具有轻量化、效率较高和精度较高的特点。其初代版本曾位列HuggingFace全球趋势榜前列。PaddleOCR-VL-1.5版本在文档解析评测榜单OmniDocBench V1.5中综合性能得分领先，整体精度为94.5%。 </p> <p> 该模型支持从云端API调用到本地Docker部署等多种部署方式。在硬件生态方面，AMD在PaddleOCR-VL-1.5发布当天实现了对该模型的支持，使其可在AMD GPU上基于ROCm 7.0运行。 </p>