PaddleOCR-VL-1.6 – 百度推出的文檔解析視覺語言模型

PaddleOCR-VL-1.6是什麼

PaddleOCR-VL-1.6 是百度飛槳團隊推出的文檔解析視覺語言模型（VLM），是 PaddleOCR-VL 系列的最新升級版本。模型僅 0.9B 參數，在 OmniDocBench v1.6 權威基準測試中達到 96.33% 的全新 SOTA 成績，同時在 OmniDocBench v1.5 和 Real5-OmniDocBench 上刷新紀錄，文本、公式、表格識別全面領先開源與閉源方案。模型架構與 1.5 版本完全一致，支持零成本即插即用遷移。

PaddleOCR-VL-1.6的主要功能

• 文本識別：通用文本識別，支持 109 種語言，OmniDocBench v1.6 文本得分 96.8。
• 公式識別：數學公式 LaTeX 識別，得分 97.5，超越 GLM-OCR 和 MinerU。
• 表格識別：複雜表格結構解析（含合併單元格、多層表頭），TEDS 得分 94.8。
• 古籍識別：中文古籍、豎排文字識別能力大幅提升。
• 生僻字識別：罕見漢字識別顯著增強。
• 印章識別：公章/印章文字提取與定位。
• 圖表識別：餅圖、折線圖等 11 類圖表解析爲結構化數據。
• 文本檢測（Spotting）：自然場景文字檢測。
• 結構化輸出：支持 Markdown、JSON、DOCX 格式導出。
• 跨頁表格合併：自動識別併合並跨頁表格。

PaddleOCR-VL-1.6的技術原理

• 兩階段解耦架構：模型採用”版面分析+VLM識別”的兩階段設計：第一階段由 PP-DocLayoutV3 檢測 25 類文檔元素並輸出閱讀順序與座標；第二階段由 0.9B 參數的 VLM 逐元素識別。VLM 內部使用 NaViT 動態分辨率視覺編碼器自適應處理不同尺寸圖像，配合 ERNIE-4.5-0.3B 語言模型生成結構化輸出，避免固定分辨率導致的小字信息丟失。
• 零架構改動的數據驅動升級：1.6 版本與 1.5 模型結構完全一致，性能飛躍完全來自數據與訓練策略優化。團隊通過分析 1.5 在 OmniDocBench 各子項的薄弱區域，對古籍、生僻字、印章、複雜表格等場景實施定向數據增強。
• 區域感知數據增強：針對薄弱區域引入 CV 模擬失真技術，在公式、文本等訓練數據中模擬掃描、傾斜、光照、屏幕拍攝等真實物理畸變；同時擴展文本發現任務的最大分辨率至 2048×28×28 像素，注入大規模印章、古籍專項數據，顯著提升真實場景魯棒性。
• 漸進式三階段訓練：採用”預訓練→SFT→強化學習”的漸進方案：預訓練數據從 2900 萬擴至 4600 萬圖像-文本對；SFT 階段在原有 OCR、表格、公式基礎上新增印章識別和文本發現任務；最後通過 GRPO 強化學習進一步對齊輸出質量，實現多任務統一。

如何使用PaddleOCR-VL-1.6

• 本地安裝（Python）：安裝 paddlepaddle-gpu==3.2.1（CUDA 12.6），執行 pip install -U "paddleocr[doc-parser]"，完成環境配置後可使用。
• 命令行使用：安裝後運行 paddleocr doc_parser -i your_document.png 或 paddleocr doc_parser -i document.pdf，直接輸出解析結果，支持單張圖片和 PDF 批量處理。
• Python API：導入 PaddleOCRVL 類初始化 pipeline，調用 predict() 傳入圖片路徑，結果可通過 print() 查看，或使用 save_to_json()、save_to_markdown() 保存爲結構化文件。
• Docker 部署（生產環境）：拉取官方鏡像 ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddleocr-vl:latest-nvidia-gpu，啓動容器後直接在容器內運行，適合服務器部署。
• 推理服務部署：執行 paddleocr genai_server 一鍵啓動 HTTP 服務，支持 vLLM、SGLang、FastDeploy、Transformers、llama.cpp 等多種後端，適合高併發 API 調用場景。

PaddleOCR-VL-1.6的核心優勢

• SOTA 精度：OmniDocBench v1.6 達 96.33%，文本、公式、表格全維度第一
• 極致輕量：0.9B 參數，遠小於 Qwen3-VL-235B、GPT-5.2 等通用大模型
• 零成本遷移：架構與 1.5 完全一致，直接替換權重即可
• 真實場景魯棒：在掃描、扭曲、屏幕拍攝、光照變化、傾斜 5 大場景均刷新 SOTA
• 多硬件支持：NVIDIA GPU（含 Blackwell）、Apple Silicon、崑崙芯、昇騰、AMD、Intel

PaddleOCR-VL-1.6的項目地址

• GitHub倉庫：https://github.com/PaddlePaddle/PaddleOCR
• HuggingFace模型庫：https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.6

PaddleOCR-VL-1.6的同類競品對比

PaddleOCR-VL-1.6的應用場景

• 文檔數字化：將紙質檔案、書籍、論文掃描件轉換爲 Markdown 或 JSON 結構化電子文檔，支持批量處理。
  企業辦公：自動提取合同、發票、報表、審批單中的關鍵信息，對接 ERP 或 OA 系統實現流程自動化。
  教育科研：識別學術論文中的複雜公式（LaTeX 輸出）和表格數據，輔助文獻整理與知識提取。
  金融服務：解析銀行票據、財務報表、對賬單，實現數據自動錄入與合規審計。
  醫療健康：結構化錄入病歷、檢查報告、處方單，支持醫院信息化系統對接。