全球OCR最强模型仅0.9B！百度文心衍生模型刚刚横扫4项SOTA

衡宇
2025-10-17
17:50:35

来源：量子位

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

全球AI多模态竞速激战正酣，百度又放了个大招！

旗下新模型凭借0.9B参数量，在最新OmniDocBench V1.5榜单上拿下92.6分的成绩，获得综合性能全球第一。

它就是百度刚刚发布并在Day 1就开源的自研多模态文档解析模型PaddleOCR-VL。

（ps：0.9B参数量，对开发者的个人电脑真的炒鸡友好！）

发布16小时内，该模型就登顶了抱抱脸Trending全球第一。

非常抢眼的是，这款模型不仅得分高，它还在文本识别、公式识别、表格理解、阅读顺序四大核心能力上全面拿下SOTA，成为当前唯一在这四个维度全部排名第一的模型，刷新了全球OCR VL模型性能的新高线。

PaddleOCR-VL是一款面向复杂文档结构解析而设计的模型，是百度文心大模型体系下专注文档解析任务的轻量化衍生产品，具备极强的行业落地导向和平台集成能力，能轻松看懂令人头秃的PDF和图片。

敲黑板划重点：它真的能理解格式杂、长度长的文档中的逻辑结构、表格关系、数学表达等等。

和小红书等平台上，这个模型已经被大家先用起来并分享使用体验。

实用又好用，已经收获“哇”声一片。

在AI从感知到认知不断跃迁的当下，当模型不再只是识字工具，变成了具备结构感知与语义还原能力的利器，OCR在AI时代的意义也被彻底改写。

登顶OmniDocBench，四大核心能力全线SOTA

PaddleOCR-VL登顶的OmniDocBench V1.5是目前全球衡量文档解析能力最具权威性，也最具挑战性的评测体系之一。

它经清华大学、阿里达摩院、上海人工智能实验室等联合发布，由开源社区推动发展，主要面向真实场景中的PDF文档解析任务，包含1355页PDF，涵盖9种文档类型、4种布局类型和3种语言类型，以及文本、表格、公式、阅读顺序等多维任务。

在最新一期OmniDocBench V1.5榜单中，PaddleOCR-VL以92.6的综合得分问鼎榜首。

这顶全球桂冠背后，其实标志着该模型在模型结构设计、能力理解广度和任务适配性上的整体优势。

尤其值得注意的是，PaddleOCR-VL核心模型参数仅0.9B——以轻量之身越级打怪，正面超越了Gemini-2.5 Pro、GPT-4o等与其体量悬殊的巨型多模态大模型，同时击败了OCR领域的垂直模型dots.ocr、MinerU等等。

更重要的是，PaddleOCR-VL以一己之身刷新了四项核心能力的SOTA。

第一项，文本识别。

PaddleOCR-VL以96.5的成绩拿下全场最高分。

技术报告显示，PaddleOCR-VL模型支持109种语言，覆盖中文、英文、法文、阿拉伯文等主流语种，并在手写、竖排、艺术字体等复杂形态下也保持极高识别精度，打破了传统OCR“只识打印体”的能力瓶颈。

需要注意的是，OmniDocBench主要评测还局限在中英文印刷体上。

如果拉齐到手写、古籍、多语种这些更复杂的场景，PaddleOCR-VL能以更惊人的优势甩开现有多模态和OCR模型。

再来看这张被骑手加点餐人“折磨”到皱皱巴巴的外卖单，部分文字因折角、单据变形而被遮挡；因为拍摄光线不好，单据上产生了明暗阴影……

就算是面对外卖单的变形和拍摄环境光照不均，PaddleOCR-VL也没在怕的：

第二项，公式识别。

它CDM得分高达0.9453，远超其他对标模型，能精准还原论文、教材、试卷中复杂的数学公式，支持Latex格式生成——终于不用再手敲Latex了，抹泪。

在公式识别单项测评集上，PaddleOCR-VL的成绩为91.4，超过MinerU、MonkeyOCR-pro-3B等OCR界网红模型，也是能力测试中唯一得分超过90的模型。

第三项，表格理解。

PaddleOCR-VL能够精准解析财报、统计报表中的嵌套表格与合并单元格，将非结构化图像信息快速转换为结构化数据。

单项评测中，该模型得分达到89.8，在真实场景适配性上表现优异。

第四项，阅读顺序。

这项能力让它能够像人一样读文档，具体来说，PaddleOCR-VL可以自动判断页面中标题、正文、图片、图注的阅读逻辑，实现智能还原人类阅读习惯。

技术报告显示，PaddleOCR-VL的阅读顺序预测误差（Reading Order Edit Distance）仅有0.043，是该榜单所有模型中最优的表现。

BTW，四项核心能力外的一些能力，PaddleOCR-VL也稳稳没在怕的。

比如现在新闻、报表中经常会碰到的图表，处理起来同样是小菜一碟：

从语言到公式，从表格到阅读逻辑，多项评测中，PaddleOCR-VL几乎在所有维度上实现了人类级理解——

不仅能够还原多栏报纸的复杂排版，还能智能重建教材中的多页笔记结构，准确分辨内容逻辑与版式结构。

回到这个成绩背后，我们看到的不止是模型能力的突破，更是AI逐步逼近人类文档理解方式的一次真实跃迁。

小体量，大能量，创新设计突破逐行识别

传统OCR系统大多采用逐行识别策略，面对多栏、嵌套、错行、图文混排等复杂版面时往往力不从心，容易出现错位、信息遗漏等问题。

PaddleOCR-VL之所以拥有“像人一样理解结构”的能力，一方面是其在数据构建与训练策略上完成了优秀的系统工程——

整个模型虽然只有0.9B参数量，但在训练过程中，共使用超3000万样本。

这些训练数据涵盖文本、表格、公式、图表等多模态信息，数据来源包括公开数据、自动合成数据、互联网采样数据和百度自研数据，辅以难例挖掘机制，保证训练集的多样性和挑战性。

另一方面，也是最重要的一方面，PaddleOCR-VL研发团队从底层架构上进行了革新。

从架构层面来看，PaddleOCR-VL采用了创新性的两阶段架构：

第一阶段由PP-DocLayoutV2模型负责对文档版面进行分析，定位语义区域，并预测阅读顺序。

第二阶段则由PaddleOCR-VL-0.9B进行细粒度识别，完成文本、表格、公式、图表等多类内容的结构化输出。

相较端到端黑盒式方案，这种模块解耦、任务细化的设计让模型在面对复杂版面任务时，表现得更稳定、更高效，有效避免了多模态模型常见的幻觉与错位问题。

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，在效率与精度上取得了双重突破。

推理方面，PaddleOCR-VL在单张A100上推理速度达1881token/s。

精度方面，PaddleOCR-VL实现了文本编辑距离仅0.035、公式识别CDM 91.43、表格 TEDS 89.76、阅读顺序预测误差值0.043的纪录级表现。

除上之外，PaddleOCR-VL还集成了四大技术突破。

• 高性能、资源高效的文档解析能力：采用轻量化设计与异步推理机制，显著领先同类模型。
• 复杂文档内容的高级解析能力：支持复杂公式、嵌套表格、手写图表等难度场景，适配真实业务流程。
• 图表结构化转换能力：能将柱状图、饼图等图像信息结构化为表格格式，支撑自动化分析。
• 全面的多语种文本识别：涵盖109种语言，特别强化对竖排、艺术字体、手写字符等的识别能力。

看到这里，我们拿出了最近被网友在GitHub上扒出的宇树科技创始人王兴兴的硕士毕业论文《新型电驱式四足机器人研制与测试》。

这篇近10年前的论文，里面含大量行内或独立的Latex公式，图表交错，插图与文字混排，引用繁多，是一份非常合格的用来测试PaddleOCR-VL真实能力的超绝必胜技（doge）。

在Document Parsing模式（这个模式可识别具有结构化布局的整页文档，例如报告、论文或杂志）下，无论是像人一样自动判断页面逻辑，并识别和分析原论文中的各项内容——

还是传统OCR模型难以正确提取的复杂流程图——

亦或者集公式和图像于一页的case——

PaddleOCR-VL真的全部都完美处理了……

难怪PaddleOCR-VL在全球大模型混战中，在OCR这条赛道上实现精度、速度、功耗的三赢。

它打破了“大模型才有好效果”的行业迷思，证明了架构合理、任务聚焦的“小”模型同样可以在实际应用中跑赢大模型，具备更强的落地能力与部署价值。

这也使其成为文心4.5大模型家族中最具工程价值与产业可行性的代表之一，补足文心在复杂文档解析任务上的关键拼图。

全球大模型都在卷，百度派出文心最强衍生模型先跑一步

在产业智能化浪潮中，OCR早已成为各行业不可或缺的数字化基础设施，是推动万物智能化、流程自动化、信息结构化的关键底层能力。

生活中诸多现实场景，如金融商业、教育与科研、政务与公共服务、文化与历史保护等，OCR都在起到降本增效的不可替代作用。

尤其在文档密集型行业，PaddleOCR-VL能看、能读、能理解，可以作为“文档工作助手”接入各种流程即刻上岗，真正帮企业提效、帮用户省心。

大模型浪潮汹涌而来的当下，PaddleOCR-VL的结构化输出能力还能与RAG系统深度融合，为大模型提供更高质量、更可控的知识输入，构建起从“非结构化文档”到“可用知识”的闭环。这也意味着，它不仅是一款文档解析工具，更是AI时代企业知识中台建设中的关键基础设施。

没错，进入大模型技术汹涌澎湃的时代，OCR已经被赋予了前所未有的战略价值——它不再只是帮助或代替人识字的工具，而是进阶成为AI理解世界的入口。

首先可以看到，如今的现实世界，信息大多以非结构化文档、图片、扫描件的形式存在，OCR承担了“从真实世界到数字世界”的转换职责。

与此同时，在RAG、智能搜索、知识问答等系统中，OCR识别质量决定了输入信息的保真度。输入有多准，最终输出才有多可靠。

不知不觉间，OCR其实已经被时代技术浪潮推上了“AI新应用链条的守门人”之位。

于是也就不难理解，成为底层语义理解的试金石的OCR，已成为全球科技巨头大模型布局中不可或缺的一环。Mistral AI、Google、OpenAI、阿里、腾讯等均在此方向加大投入，试图将视觉-语言模型延伸至文档语义深层解析。

PaddleOCR-VL正是百度瞄准这一趋势对OCR能力进行的革新性升级。

作为文心4.5体系中唯一以OCR为核心任务深度优化的产品，它将文心的理解能力延展至最复杂、最具结构挑战的文档领域，将文心的理解能力进一步拓展到复杂文档结构解析任务，在语义理解的精度与广度上打开了新边界。

更重要的是，PaddleOCR-VL的领先并非大力出奇迹的参数优势或偶然的工程叠加。

PaddleOCR-VL综合性能全球第一、四项核心能力拿下新SOTA的力量，源自百度在多模态智能方向上多年持续布局的系统性成果。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，从文心主干模型到衍生垂类模型，这一体系化建设终于在OCR领域结出硕果。

AI正在重构信息的入口，而格式繁复内容丰富的文档，是世界最难被理解的一种语言。谁能读懂现实世界的文档，谁就掌握了理解现实的钥匙。

PaddleOCR-VL的出现，把这把钥匙从参数堆砌的巨兽手中，交还给真正理解场景的设计者。

它的诞生还标志着中国模型第一次以“划线者”的姿态，在全球多模态文档解析赛道上写下自己的标准答案。

GitHub：
https://github.com/PaddlePaddle/PaddleOCR
技术报告：
https://arxiv.org/pdf/2510.14528
体验Demo地址：
https://aistudio.baidu.com/application/detail/98365

Read More