百度PaddleOCR-VL开源多语言文档解析模型，性能全球榜首
近日，百度推出的多语言文档解析模型PaddleOCR-VL在开源社区引发广泛关注。自开源以来，该模型连续三天登顶Hugging Face趋势榜首位，其强大的文档解析能力受到全球开发者的认可。在最新发布的OmniDocBench基准测试中，PaddleOCR-VL以92.6分的综合成绩位列全球第一，并在v1.5和v1.0两个版本的测试中持续领跑。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
这款模型支持109种语言的文本、表格、公式和图表识别，涵盖全球主要语言体系及俄语、阿拉伯语、印地语等特殊语种。测试数据显示，PaddleOCR-VL在文档整体解析、文本识别、公式解析、表格结构分析和阅读顺序预测等关键指标上，均超越现有专用模型和通用多模态系统。特别是在处理手写文本和历史文献等复杂场景时，模型展现出显著优势。
在技术实现方面，PaddleOCR-VL采用双阶段架构设计。首阶段通过PP-DocLayoutV2模型进行布局分析，精准定位文本块、表格、公式等元素位置并预测阅读顺序；次阶段利用PaddleOCR-VL-0.9B模型进行细粒度识别。该模型结合NaViT风格视觉编码器与轻量级ERNIE-4.5-0.3B语言模型，在保证识别精度的同时，将推理速度提升30%，GPU内存占用降低40%。
训练数据构建是模型性能的关键保障。研究团队通过公开数据采集、合成数据生成、网络数据抓取和内部数据积累，构建了超过3000万条训练样本。采用专家模型标注与大型多模态模型（ERNIE-4.5-VL、Qwen2.5VL）协同优化的方式，有效解决了长序列输出的计算瓶颈问题。特别设计的评估引擎能将文档元素细分为20余个类别，实现训练性能的精准分析。
实际测试表明，模型在处理中英文、韩语等语言时准确率超过98%，复杂公式和图表的识别准确率达到95%以上。在测试苏辙手札等繁体手写文献时，虽然出现少量识别误差，但在清晰规范的手写文本处理中表现优异。对于反光、褶皱等干扰因素，模型仍能保持较高识别率，仅在极端模糊情况下出现个别错误。
在页面级文档解析测试中，PaddleOCR-VL在OmniDocBench v1.5测试集上创造多项纪录：文本编辑距离降低至0.08，公式识别ABCDM分数达0.9453，表格结构TEDS评分突破92分。元素级识别测试显示，该模型在多语言文本、手写体、复杂表格等场景的误识率较同类模型降低40%以上。在512批次处理的推理测试中，其页面吞吐量较基准模型提升15.8%，token处理效率提高14.2%。
这款模型的创新性体现在三方面：双阶段架构有效解决端到端模型的文本顺序混乱问题；动态视觉编码器实现高分辨率输入下的高效处理；轻量化语言模型显著降低部署成本。研究团队透露，该技术已应用于金融合同解析、学术文献处理、历史档案数字化等多个领域，未来将通过持续优化提升模型在低质量文档和特殊字体场景下的适应能力。
热门专题
热门推荐
领克首款GT概念跑车亮相北京车展，由中欧团队联合打造。新车采用经典GT比例与低趴宽体设计，配备液态金属蓝涂装与2+2座舱，设有高性能模式按键可激活空气动力学套件。车辆采用后驱布局与AI智能运动控制系统，百公里加速约2秒，设计融合瑞典极简美学并参考全球用户反馈。
英伟达推出12GB显存版RTX5070移动GPU，与8GB版同步上市。两者均基于Blackwell架构，核心规格相同，仅显存容量不同。此举旨在缓解GDDR7芯片供应压力，为OEM提供灵活配置，加速笔记本产品布局，更大显存可更好满足游戏与AI应用需求。
微星将于5月15日推出两款26 5英寸雾面WOLED显示器MAG276QRY28和276QRDY54，售价分别为2499元和6299元。均采用第四代WOLED面板，具备QHD分辨率、VESADisplayHDRTrueBlack500认证、1500尼特峰值亮度及99 5%DCI-P3色域覆盖。276QRY28刷新率为280Hz，高阶款276QRDY54支持4
中芯国际2026年第一季度营收176 17亿元，同比增长8 1%；净利润13 61亿元，同比增长0 4%。公司预计第二季度收入环比增长14%至16%，毛利率指引上调至20%至22%。这反映出公司在行业复苏中展现出财务韧性，并通过运营优化增强了短期增长势头。
手机修图、相机降噪、视频去雾……这些我们日常使用的图像处理功能，其背后都离不开人工智能（AI）技术的驱动。通常，AI模型的训练逻辑是：向模型展示大量“低质图像”与“优质图像”的配对数据，让它学习如何将前者转化为后者。然而，天津大学计算机视觉团队近期发表的一项研究（arXiv:2604 08172）揭