0.9B参数登顶全球榜首，精准识别异形文档，超越GPT-5.2。革新OCR技术，低成本实现高精度文字识别，赋能AI知识库与真实世界数据化。
现阶段，互联网上的公开文本数据，已被大模型吃得所剩无几，高质量文本数据开始枯竭，AI 的发展陷入瓶颈。
要想进一步迭代优化，则必须要从真实世界中获取更多高质量数据。
海量的学术论文、复杂的金融报表、尘封的历史档案，这些非结构化的文档中，拥有极高密度的专业知识，却因隔了一道物理屏障，让 AI 难以触及。
因此，未来的 OCR 文字识别技术，或将成为能给 AI 输送高质量「数据燃料」的关键管道。
当我们在 GitHub 上寻找相关技术解决方案时，总能发现 PaddleOCR 的身影。
它从 2020 年开源至今，随着功能的不断新增与完善，目前已累积斩获超 69000 GitHub Star，成为在 OCR 领域当之无愧的王牌项目。
前几天 DeepSeek 发布了 OCR-2，让 OCR 这个领域又开始活跃起来。虽然效果跟 PaddleOCR 几个月前发的 PaddleOCR-VL 第一代还有点距离，但大家也都想看看 PaddleOCR 怎么接招。
于是，就在昨天，百度反手开源了另一个王炸项目：PaddleOCR-VL-1.5。
仅用 0.9B 参数，就在全球权威文档解析评测榜单 OmniDocBench V1.5 中，硬生生超越了 Gemini-3-Pro 和 GPT-5.2 模型！
这次发布，PaddleOCR-VL-1.5 精准解决了大家在「搭建 AI 知识库」时，遇到最头疼的问题：喂进去的图片太「异形」，模型根本读不懂。
所谓的「异形」，其实就是指我们日常随手拍的书页、合同或笔记，往往拍得歪七扭八，或者光线暗淡。
传统 OCR 遇到这种图，要么缺字漏字，要么排版结构全崩。把这种数据喂给大模型，就是一堆不可用的乱码。
而 PaddleOCR-VL-1.5 这次更新，相当于直接给模型装上了一双自带"矫正"的眼睛。
它全球首创了「异形框定位」能力，不再死板地假设文档是方方正正的，而是能像一把 "熨斗"，把那些弯曲的文档在逻辑上给你烫平了。
这种文字识别方式，才真正符合实际生活中的应用场景。
光看这些介绍没用，还得看实际效果。下面，就跟大家一起上手实测一波。
上手实测
为了验证它的极限，我们避开了高清扫描件，专门找了些"极其刁难"的素材，同时跟 DeepSeek-OCR-2 进行对比。
对于 PaddleOCR-VL-1.5 大家可到这里免费测试：https://aistudio.baidu.com/paddleocr
话不多说，我随手拿起，隔壁同事桌上一包进口包装零食，分别上传给它们。
PaddleOCR-VL-1.5 完美识别到包装上的日文，反观 DeepSeek-OCR-2 直接输出一堆数字乱码：
紧接着，拿起旁边的书籍翻开弯曲拍照上传，两者都能识别到书页里完整的语句，但 DeepSeek-OCR-2 依然有老毛病出现错别字，PaddleOCR-VL-1.5 明显要稳定一些：
看来这些还是简单了，继续上难度。
上传一张医生写的诊断书，这里我刻意选了一张清晰度不是很高的图片。
虽然两者的识别结果都有错别字，但 PaddleOCR-VL-1.5 的结果较全，DeepSeek-OCR-2 模型只识别到寥寥几行字：
再来试一张光线暗淡、倾斜着的页面，并混入了各种复杂的数学公式。
PaddleOCR-VL-1.5 可准确识别并提取里面的数学公式，排版也精美简洁，OCR-2 对于数学公式的 Markdown 渲染不太好，看起来像乱码且内容缺失：
测到这里，相信大家对 PaddleOCR-VL-1.5 的「异形框定位」识别能力，已经能有个初步判断了。
除此之外，它还针对了「印章识别」和「生僻字古籍」做了专门优化，下面也来测试一下。
上传一张复杂的封面图，里面包括表格、图片等等信息，PaddleOCR-VL-1.5 看得一清二楚，并且对每个模块的内容框选出来：
最后，再来看一张竖排从右往左读的生僻字古籍，PaddleOCR-VL-1.5 依然能轻轻松松识别出来。
这对于古籍数字化和人文学科的研究者来说，绝对是个神器。
经过前面的测试之后，说真的，PaddleOCR-VL-1.5 彻底封神了，仅凭 0.9B 参数就能做到这种程度。
OCR 工具正式迎来了小参数，高精度时代，普通用户通过极低成本，便能开始创造各类需要视觉辅助的应用，把 AI 的能力引入真实世界。
这意味着，未来不管是偏远地区的文件档案数字化，还是工厂流水线上的实时质检，都不再需要昂贵的服务器。
只需一个普通的摄像头，配合上 PaddleOCR-VL-1.5，就能立马让产品拥有 "火眼金睛" 般的文字识别效果。
写在最后
至此，已然确定它在 OmniDocBench V1.5 这份全球榜单里，超越 GPT-5.2、DeepSeek-OCR-2 等模型，并不是简单一个数值，而是凭借着真真确确的硬实力登顶。
在千亿参数大模型满天飞的今天，PaddleOCR 团队坚持将参数控制在 0.9B，意味着：
低成本：我们不需要昂贵的 A100，甚至普通的消费级显卡就能跑得飞起。
隐私安全：这使得在金融、医疗等敏感行业，私有化本地部署成为了可能。
端侧潜力：未来直接塞进手机或边缘设备也不是梦。
作为 GitHub 上的常青树，PaddleOCR 再一次证明了：解决真问题的技术，永远不缺热度。
目前，PaddleOCR-VL-1.5 模型已在 HuggingFace 和 GitHub 全面开源。
对正在为 RAG 数据清洗发愁，或者想给自己的应用加上 "上帝之眼" 的开发者来说，这一波更新，绝对值得一试。
GitHub：https://github.com/PaddlePaddle/PaddleOCR
在线体验：https://paddleocr.com
HuggingFace 模型下载：https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.5
今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！
没有评论:
发表评论