PaddleOCR-VL - 百度开源的超轻量级视觉-语言模型

PaddleOCR-VL是什么

PaddleOCR-VL是百度开源的超轻量级视觉-语言模型，专为文档解析场景优化。模型仅含0.9B参数，通过融合动态高分辨率视觉编码器与轻量级ERNIE语言模型，在保持高精度的同时显著降低计算开销。支持109种语言，能精准识别文本、表格、公式、图表等复杂元素，还原符合人类阅读习惯的版面结构。在权威基准OmniDocBench v1.5中，该模型以92.6分夺得综合性能全球第一，在文本编辑距离（0.035）、公式识别（CDM 91.43）、表格处理（TEDS 93.52）等核心指标上均达到SOTA水平，超越GPT-4o等主流多模态模型。

PaddleOCR-VL的功能特色

极致轻量与高效性能：仅0.9B参数，可在普通CPU上运行，支持浏览器插件级部署，推理速度较同类模型显著提升（较MinerU2.5快14.2%，较dots.ocr快253.01%）。
多元素精准解析：支持文本、表格、公式、图表等复杂元素的细粒度识别，在权威评测中文本编辑距离仅0.035、公式识别CDM达91.43、表格TEDS达93.52，均达到业界最优水平。
多语言与复杂场景适配：覆盖109种语言（包括俄语、阿拉伯语等特殊书写体系），擅长处理手写体、历史文档及垂直排版文本（如中文竖排），适应全球化文档处理需求。
智能版面分析与阅读顺序还原：通过两阶段架构（PP-DocLayoutV2版面检测+PaddleOCR-VL-0.9B识别）自动预测阅读逻辑，阅读顺序误差仅0.043，精准还原人类阅读习惯。
开源与实战优势：全面开源并提供Demo，在发票识别、学术论文解析等场景表现优异，可与RAG系统结合，成为AI知识处理基础设施。

PaddleOCR-VL的核心优势

极致轻量化与高效推理：核心模型仅 0.9B 参数，可在普通 CPU 上运行，支持浏览器插件级部署，内存占用极低。在单张 A100 GPU 上推理速度较 MinerU2.5 提升 14.2%，较 dots.ocr 提升 253.01%，显著降低计算开销。
多语言与复杂元素精准识别：支持 109 种语言，涵盖中文、英语、阿拉伯语、俄语等特殊书写体系，能精准处理文本、表格、公式、图表、手写体及历史文档等复杂元素。
两阶段架构稳定可靠：采用 PP-DocLayoutV2 版面检测 + PaddleOCR-VL-0.9B 内容识别 的协同框架，有效避免端到端模型常见的幻觉与错位问题，在复杂版面中表现更稳定。
多模态深度融合与真实理解：通过 NaViT 动态分辨率视觉编码器 与 ERNIE-4.5-0.3B 语言模型 结合，实现从字符识别到语义理解的全面突破，智能处理多栏排版、数学公式、二维码等特殊元素。
权威评测性能领先：在 OmniDocBench V1.5 等权威榜单中综合性能排名全球第一，超越 Gemini-2.5 Pro、GPT-4o 等巨型多模态模型，以及垂直领域模型 dots.ocr、MinerU 等。

PaddleOCR-VL官网是什么

项目官网：https://ernie.baidu.com/blog/zh/posts/paddleocr-vl/
HuggingFace模型库：https://huggingface.co/PaddlePaddle/PaddleOCR-VL
arXiv技术论文：https://arxiv.org/pdf/2510.14528
在线体验Demo：https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo
官方体验地址：https://aistudio.baidu.com/application/detail/98365