最近做的项目需要识别复杂文档，可市面上 OCR （Optical Character Recognition，光学字符识别）工具那么多，该选哪一个呢？
让 ChatGPT 给我推荐：
我顺着它给的链接点进去，发现这是一个可以将任何 PDF 或图像文档转换为 AI 所需的结构化数据的轻量级 OCR 工具包。
深入了解了一波，这个项目由百度飞桨 PaddleOCR 团队推出。
早在 2020 年就已开源，是 GitHub 社区中唯一一个 Star数超过 50k 的中国OCR项目。目前已累计下载量突破 900 万，被超过 5.9k 开源项目直接或间接使用。
今年，PaddleOCR 团队陆续推出了文字识别方案 PP-OCRv5 、文档解析方案 PP-StructureV3 、关键信息抽取方案 PP-ChatOCRv4 。而近期，发布并开源了专注于多模态文档解析的 PaddleOCR-VL 。
PaddleOCR-VL 仅有 0.9B 参数，但在文档解析领域最新的权威榜单 OmniDocBenchV1.5 中一举夺魁，超过 GPT-4o、Gemini-2.5 Pro 等大模型以及一大批热门的 OCR 小模型。
更是在文本识别、公式识别、表格理解、阅读顺序四大维度上同时登顶，从成绩上看可以说是 OCR 领域当之无愧的 SOTA 。
昨天发布开源，今天就登顶HuggingFace Trending全球第一 ，战斗力也太强了。
看来 ChatGPT 的推荐不是空穴来风。
我很好奇，作为一个参数量只有 0.9B 的小模型，PaddleOCR-VL 是怎么超越一众大小模型成为" PDF 之神"的？
一、PaddleOCR-VL 详细介绍
OCR 行业洞察
在这之前，我们先来了解一下 OCR 究竟有多重要。
你有没有注意到？
最近一年，腾讯、Mistral AI 、llama 、Qwen 、小红书等纷纷推出 OCR 工具，竞争相当激烈。
OCR 的"内卷"背后是因为：随着视觉语言模型竞争的白热化，OCR 能力成了比赛胜负的关键因素之一。
不仅是视觉语言模型，大语言模型、智能体以及文件类的 AI 工具，都需要通过 OCR 将原始不规则化的信息转化成能"读懂"的信息，才能发挥出模型或者应用的真正能力。
简单来说，OCR 是影响知识/信息保真度的关键因素。其重要性，也就不言而喻了。
PaddleOCR-VL 的核心亮点
竞争如此激烈，那 PaddleOCR-VL 出彩在哪里？它最大的亮点在于，它在多模态文档解析领域，实现了高性能的同时，还完成了资源的高效利用。
并且面对文本、手写汉字、表格、公式和图表等各种形态的奇怪文档，它全都能全部「看懂」，是实打实的「PDF之神」。
高性能、高效率的多模态文档解析
PaddleOCR 团队提出了一种全新的混合式架构，将一个轻量强大的视觉语言模型（ PaddleOCR-VL-0.9B ）和一个精准的版面分析模型（ PP-DocLayoutV2 ）结合在一起。
这样一来，PaddleOCR-VL 不仅能跑得快，还能在各种实际场景下准确识别文档内容——又稳又灵活。
复杂文档内容，一键高效解析
不论是潦草的手写字、历史档案、结构怪异的表格，还是密密麻麻的数学公式，PaddleOCR-VL 专门针对这些"硬骨头"做了优化，在复杂文档里依然能精准识别、提取信息。
真正理解图表，变成机器可读的数据
和传统的 OCR 模型相比，PaddleOCR-VL 创新点之一在于它能真正"读懂"图表，将非结构化的图表数据（例如条形图、折线图和饼图）转换为结构化表格格式。
这意味遇到条形图、折线图、饼图，它能直接把这些视觉化内容转成可用的表格数据，让后续分析、搜索全自动化完成。真正实现"看图识数"。
多语种文本识别
PaddleOCR-VL 支持 109 种语言和手写文字的识别，覆盖全球主要语种，在多语言文档处理场景中也没有问题。
PaddleOCR-VL 架构
那 PaddleOCR-VL 是如何完成这些的呢？我们来解析一下架构，它将复杂的文档解析任务分解为两个阶段：
首先，PP-DocLayoutV2 负责版面分析，定位语义区域并预测阅读顺序。
然后在第二阶段中，PaddleOCR-VL-0.9B 模型利用这些布局预测对内容进行细粒度识别，包括文本、表格、公式和图表等。
最后，使用一个轻量级的后处理模块聚合对两阶段的输出结果进行聚合，并将最终解析结果格式化输出为结构化的 Markdown 与 JSON 文件。
二、实测案例
复杂排版识别
先拿个排版复杂的来考考它，看它能不能辨别出正确的阅读顺序。
可以看到，即使分割线、图片、字体大小不均匀，它也能正确解析版面，精准识别。
几何图形、表格、公式识别
上点强度，来看看难度高一些的几何图形、表格、公式的识别情况。
以这张清晰度并不算高的试题为例：
识别效果：
无论是表格、图形，还是复杂的数学表达，它都能完美识别。
还有更多例子：
手写的也没问题：
传统文献
OCR 的一个重大意义在于对历史文献进行数字化，从而传承并大范围传播历史文化。
但古籍排版特殊，使用繁体，还有各式各样手写字体，并且很多字迹模糊，这些特点都给 OCR 精准识别带来了难度。
来看看使用 PaddleOCR-VL 扫描的效果：
更多例子：
图表理解与结构化转换
PaddleOCR-VL 可以将复杂图表转换为结构化的表格数据。
比如将柱状图自动转换为表格。
除了柱状图之外，折线图、饼状图、热度图、以及混合格式的复杂图表通通都能准确转换。
非常全面，以后再也不用担心大模型读不懂复杂图表了。
多语言场景识别
除了上面展示的中英，看看其他语言的识别效果。
法语
西班牙语
克罗地亚语
手写阿拉伯语
识别效果非常好，学小语种的朋友可以用它来迅速数字化一波自己的手写笔记。
三、快速上手
效果真心不错，心动的小伙伴赶紧上手试试吧~
使用之前，可以先到在线 demo 上亲自体验一下效果：
https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo
安装依赖
安装 PaddlePaddle 和 PaddleOCR :
python -m pip install paddlepaddle-gpu==3.2.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/
python -m pip install -U "paddleocr[doc-parser]"
python -m pip install https://paddle-whl.bj.bcebos.com/nightly/cu126/safetensors/safetensors-0.6.2.dev0-cp38-abi3-linux_x86_64.whl
基本用法
CLI:
paddleocr doc_parser -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png
Python API:
from paddleocr import PaddleOCRVL
pipeline = PaddleOCRVL()
output = pipeline.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png")
for res in output:
res.print()
res.save_to_json(save_path="output")
res.save_to_markdown(save_path="output")
使用 vLLM 加速 VLM
启动 VLM 推理服务器，默认端口为 8080：
docker run \
--rm \
--gpus all \
--network host \
ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddlex-genai-vllm-server
# You can also use ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddlex-genai-vllm-server for the SGLang server
调用 PaddleOCR 的命令行界面（CLI）或 Python 应用程序编程接口（API）：
paddleocr doc_parser \
-i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png \
--vl_rec_backend vllm-server \
--vl_rec_server_url http://127.0.0.1:8080
from paddleocr import PaddleOCRVL
pipeline = PaddleOCRVL(vl_rec_backend="vllm-server", vl_rec_server_url="http://127.0.0.1:8080")
output = pipeline.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png")
for res in output:
res.print()
res.save_to_json(save_path="output")
res.save_to_markdown(save_path="output")
四、最后
测评下来我最大的体会就是：作为全球最强 OCR VL ，PaddleOCR-VL 的实力确实是稳扎稳打。
PaddleOCR 历经 5 年技术沉淀，在成为 SOTA 后仍然不断迭代，在每个维度上精益求精，一次次刷新业界水平新标杆。
无论你的文档版面有多复杂，都可以试试。有需求的小伙伴抓紧去看看吧~
指路链接：
Github：
https://github.com/PaddlePaddle/PaddleOCR
技术报告：
https://arxiv.org/pdf/2510.14528
官方博客：
https://ernie.baidu.com/blog/zh/posts/paddleocr-vl/
HuggingFace：
https://huggingface.co/PaddlePaddle/PaddleOCR-VL
>/ 本期作者：Tashi & JackCui
>/ JackCui：AI领域从业者，毕业于东北大学，大厂算法工程师，热爱技术分享。
没有评论:
发表评论