PaddleOCR-VL-1.5：0.9B超紧凑VLM实现文档解析新突破

PaddleOCR-VL-1.5：0.9B超紧凑VLM实现文档解析新突破

【免费下载链接】PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型，在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明，该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外，我们通过整合印章识别和文本检测识别（text spotting）任务扩展了模型的能力，同时保持 0.9B 的超紧凑 VLM 规模，具备高效率特性。项目地址: https://ai.gitcode.com/paddlepaddle/PaddleOCR-VL-1.5

百度飞桨团队推出PaddleOCR-VL-1.5，这一0.9B参数规模的超紧凑视觉语言模型（VLM）在文档解析领域实现重大突破，在OmniDocBench v1.5基准测试中达到94.5%的最新准确率，同时在真实场景畸变下保持卓越鲁棒性。

行业现状：文档智能解析迈入"轻量化"与"强鲁棒"时代

随着数字化转型加速，企业对文档智能解析的需求呈爆发式增长。传统OCR技术在处理复杂格式（如表格、公式）和真实场景畸变（如扫描伪影、倾斜扭曲）时准确率不足，而主流大语言模型虽性能强劲但参数规模普遍超过10B，难以在边缘设备和低算力场景部署。据Gartner预测，到2025年70%的企业文档处理将依赖AI驱动的智能解析技术，但模型效率与精度的平衡仍是行业痛点。

在此背景下，兼具轻量化与高性能的文档解析模型成为技术突破的关键方向。PaddleOCR-VL-1.5的推出，正是瞄准这一市场需求，通过0.9B参数实现了以往需要数倍规模模型才能达到的解析精度。

模型亮点：小体积大能力的技术突破

PaddleOCR-VL-1.5在保持超紧凑体积的同时，实现了多维度技术创新：

1. 极致性能与效率平衡
基于ERNIE-4.5-0.3B底座模型构建，仅0.9B参数却在OmniDocBench v1.5上刷新SOTA，尤其在表格识别（+5.2%）、公式识别（+3.8%）等复杂任务上提升显著。这一突破得益于百度自研的视觉-语言跨模态融合技术，在有限参数下实现了文档语义的深度理解。

2. 真实场景鲁棒性跃升
针对扫描伪影、倾斜、扭曲等物理畸变问题，研发团队构建了Real5-OmniDocBench测试集，包含5类真实场景干扰。测试结果显示，模型在所有场景中均保持领先性能，其中对光照变化文档的识别准确率达到89.7%，较同类模型平均提升12%。

这张对比图直观展示了PaddleOCR-VL-1.5（橙色柱状）与主流模型在各类文档解析任务中的性能差异。特别在表格识别和倾斜文档场景中，其优势尤为明显，体现了小参数模型的精准优化方向。

3. 多任务能力扩展
首次将印章识别和文本检测识别（text spotting）整合进统一框架，支持不规则形状文本的多边形定位。在中文印章识别任务中准确率达92.3%，文本定位精度（F1值）达88.6%，为政务、金融等领域的票据处理提供关键技术支撑。

4. 端到端高效部署
通过vLLM推理优化，单A100 GPU可实现每秒处理12.8页文档，较传统Pipeline工具提升3倍效率。支持Docker容器化部署和Python API快速集成，降低企业应用门槛。

技术架构：创新设计驱动性能突破

PaddleOCR-VL-1.5采用创新的"Layout-Content"双分支架构：

该架构图清晰呈现了模型的工作流程：PP-DocLayoutV3首先进行文档布局分析，ERNIE-4.5-0.3B负责语义理解，PaddleOCR-VL处理视觉特征，三模块协同实现从图像到结构化数据的端到端转换，最终输出可编辑的Markdown/JSON格式。

前端采用PP-DocLayoutV3进行精细化布局分析，支持16种文档元素分类；中端通过多尺度视觉特征提取网络处理复杂版面；后端基于ERNIE-4.5-0.3B构建跨模态解码器，实现文本内容与空间位置的联合理解。这种设计使模型在处理跨页表格合并、长文档段落识别等场景时表现尤为出色。

行业影响：重塑文档智能处理生态

PaddleOCR-VL-1.5的推出将对多个行业产生深远影响：

政务服务：通过高精度印章识别和表格解析，可加速企业注册、税务申报等流程自动化，预计将政务文档处理效率提升40%以上。某试点城市政务系统测试显示，使用该模型后企业开办材料审核时间从3小时缩短至45分钟。

金融领域：支持银行票据、保险单等复杂文档的全自动解析，错误率降低至0.3%以下。某股份制银行应用表明，信贷审批中的文档处理成本降低60%，同时风控合规性显著提升。

教育行业：实现教材、试卷的智能结构化，支持公式、图表的精准识别与还原。实测显示，对包含复杂公式的数学试卷识别准确率达91.2%，为智能教育系统提供高质量数据输入。

这张对比图展示了模型对学术论文的解析效果，左侧包含复杂数学公式和文献引用的原始页面，右侧为识别后的结构化文本。特别值得注意的是公式的精准还原和文本排版的保持，体现了模型在专业文档处理场景的实用价值。

未来展望：轻量化VLM引领文档智能新范式

PaddleOCR-VL-1.5的成功验证了轻量化VLM在垂直领域的巨大潜力。随着模型迭代，未来将进一步扩展多语言支持（已实现藏文、孟加拉语等），并探索在移动设备端的实时解析能力。百度飞桨团队表示，计划开放模型微调接口，允许企业基于私有数据定制训练，加速行业落地。

在大模型参数竞赛愈演愈烈的当下，PaddleOCR-VL-1.5以"小而美"的技术路线，为文档智能解析提供了兼顾性能、效率与成本的新选择，有望推动更多中小企业实现文档处理的智能化升级。

【免费下载链接】PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型，在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明，该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外，我们通过整合印章识别和文本检测识别（text spotting）任务扩展了模型的能力，同时保持 0.9B 的超紧凑 VLM 规模，具备高效率特性。项目地址: https://ai.gitcode.com/paddlepaddle/PaddleOCR-VL-1.5