百度飞桨发布 PaddleOCR-VL（0.9B）：轻量级端到端多语言文档解析模型

百度飞桨团队近日开源 PaddleOCR-VL（0.9B）——一款专为复杂版式文档智能解析设计的视觉语言模型（VLM）。该模型以仅 9亿参数的轻量级架构，实现了对文本、表格、数学公式、图表及手写体的高精度端到端识别，并支持 109 种语言，同时兼顾部署所需的低延迟与内存效率。

• 项目主页：https://ernie.baidu.com/blog/zh/posts/paddleocr-vl
• 模型：https://huggingface.co/collections/PaddlePaddle/paddleocr-vl

核心目标：真实世界文档的结构化还原

传统 OCR 工具在处理以下场景时常表现不佳：

• 多栏混排版式（如学术论文、财报）
• 小语种文字（如泰语、阿拉伯语、藏文）
• 数学公式与手写批注共存
• 图表与表格嵌套

PaddleOCR-VL 旨在将这些复杂文档直接转换为结构化 Markdown 或 JSON，保留原始逻辑与语义，满足企业级文档自动化、知识抽取、档案数字化等需求。

系统架构：两阶段流水线，兼顾精度与效率

为避免端到端 VLM 在长序列解码中的延迟激增与输出不稳定，团队采用解耦式两阶段设计：

第一阶段：PP-DocLayoutV2（版面分析）

• 基于 RT-DETR 检测器，精准识别页面中的文本块、表格、公式、图表、手写区等区域；
• 通过指针网络预测人类阅读顺序（Reading Order），解决多栏、图文穿插场景下的逻辑流重建问题。

第二阶段：PaddleOCR-VL-0.9B（元素识别）

• 接收布局结果，对每个区域进行细粒度内容识别；
• 输出统一聚合为 Markdown（保留结构） 与 JSON（供程序解析）。

此设计显著降低了端到端模型在密集页面上的长上下文压力，提升系统稳定性与响应速度。

模型创新：NaViT + ERNIE-4.5 轻量协同

PaddleOCR-VL-0.9B 的核心架构融合多项前沿技术：

实验表明，原生分辨率处理相比固定缩放或分块策略，在密集文本区域识别准确率提升显著，尤其对小字号、低质量扫描件效果突出。

性能表现：SOTA 精度 + 部署友好

在权威基准 OmniDocBench v1.5 上，PaddleOCR-VL 表现如下：

• 文本识别：编辑距离（Edit Distance）达当前最优；
• 公式识别：Formula-CDM 指标领先；
• 表格解析：TEDS 与 TEDS-S（结构相似度）保持 SOTA；
• 阅读顺序：顺序预测准确率显著优于端到端方案；
• 手写/图表：在内部评测中展现强泛化能力。

同时，模型支持 vLLM / SGLang 等推理加速框架，可在消费级 GPU 上实现秒级文档解析，满足生产环境需求。

核心亮点总结

• 9亿参数轻量模型：精度与效率平衡，适合边缘/云端部署；
• 端到端结构化输出：直接生成 Markdown/JSON，无需后处理；
• 109 种语言支持：覆盖主流及小语种，适配全球化场景；
• 复杂元素全覆盖：文本、表格、公式、图表、手写体一体化识别；
• 开源可商用：基于飞桨生态，提供完整训练与推理工具链。

技术意义：文档智能的实用化突破

PaddleOCR-VL 的发布标志着文档 AI 从“能识别”迈向“可部署、可信任、可集成”：

• NaViT 动态分辨率解决了视觉细节丢失问题；
• 两阶段流水线平衡了端到端理想与工程现实；
• ERNIE 轻量解码器确保多语言语义准确性；
• 结构化输出+推理优化打通了从模型到产品的最后一公里。

对于金融、法律、教育、政务等高度依赖非结构化文档的行业，PaddleOCR-VL 提供了一个开箱即用、高精度、低成本的智能文档解析解决方案。