6月2日，百度正式发布了基于文心大模型衍生的视觉识别模型——PaddleOCR-VL-1.6。这一消息在行业内引发了广泛讨论，毕竟OCR技术赛道竞争激烈，各厂商都在暗中角逐。

首先来看几项关键数据。在权威的文档解析能力评测集OmniDocBench v1.6中，PaddleOCR-VL-1.6的总得分达到了96.33%，超越了Gemini-3-Pro、GPT-5.2、MinerU-2.5-Pro、GLM-OCR等知名模型，综合性能排名第一。

不仅如此，在面向真实复杂场景的Real5-OmniDocBench评测中，该模型的总指标也达到93.19%，相比Gemini-3-Pro提升了近4个百分点。该评测涵盖扫描件、弯折文档、屏幕拍照、光照变化及倾斜文档五大典型场景，这些正是日常工作中最棘手的状况，而PaddleOCR-VL-1.6面对这些“硬骨头”时表现相当稳定。

从实际测试数据来看，与市面上主流的开源和闭源识别模型相比，PaddleOCR-VL-1.6在常规文字、数学公式、表格这三个基础识别维度上，综合表现确实更为出色。

还有一个值得关注的细节：在表格解析、繁体古籍、冷僻用字等高难度场景中，本次版本相比上一代有了显著提升。印章辨别、文字定位、图表信息提取等细分任务的性能也同步优化，基本能够满足文档数字化落地过程中遇到的各种实际需求。

目前，PaddleOCR-VL-1.6已正式上线PaddleOCR官网，支持网页端直接调用，并开放了API接口。模型代码与权重也已同步开源，开发者可直接从GitHub和Hugging Face下载使用。

据文心团队透露，PaddleOCR基于文心大模型训练，是文心大模型多模态能力的重要组成部分。该模型支持超过100种语言的识别，用户已覆盖170多个国家和地区。

此次发布的PaddleOCR-VL-1.6，是在上一代PaddleOCR-VL-1.5基础上的升级迭代。通过模型驱动的数据构建机制和渐进式训练优化，在保持0.9B轻量化架构的前提下，进一步提升了模型的准确率与复杂场景适应能力。更贴心的是，由于两代模型架构保持一致，开发者和企业用户无需额外适配，可直接平滑迁移，省去了大量迁移成本。

值得一提的是，百度在OCR技术领域的积累十分深厚。从PaddleOCR-VL到PaddleOCR-VL-1.6，模型的GitHub星数已突破79.2K，直接超越了谷歌的开源OCR项目Tesseract OCR。这一数字背后，体现了社区对模型的高度认可。