1月29日，百度正式发布并开源新一代文档解析模型PaddleOCR-VL-1.5。该模型以仅0.9B参数的轻量架构，在全球权威文档解析评测榜单OmniDocBench V1.5中取得全球综合性能第一成绩，整体精度达到94.5%，超过Gemini-3-Pro、DeepSeek-OCR2、Qwen3-VL-235B-A22B、GPT-5.2等模型。
值得关注的是，PaddleOCR-VL-1.5 全球首次实现OCR模型的“异形框定位”能力，使机器能够精准识别倾斜、弯折、拍照畸变等非规则文档形态，首次让“歪文档”实现稳定、可规模化解析。该技术解决了传统OCR模型在移动拍照、扫描件变形、复杂光照等真实场景中因文档形变导致的识别失败问题，可广泛应用于金融票据处理、档案数字化、政务文档流转等场景。
PaddleOCR-VL-1.5 基于文心大模型进行开发，在 OmniDocBench V1.5多个关键指标上取得领先表现。其中，表格结构理解（92.8 分）和阅读顺序预测（95.8 分）两项核心指标上均位列第一，分别领先 Gemini-3-Pro、DeepSeek-OCR 等主流模型 2–5 分不等。在文档阅读顺序预测任务中，其版面逻辑解析错误率仅为同类其他模型约一半。这表明，PaddleOCR-VL-1.5 在复杂文档结构还原与版面逻辑理解方面具备更高稳定性，在合同、财报等高复杂度业务场景中拥有更高可用性。
2025年10月16日，百度首次发布并开源 PaddleOCR-VL模型，在 OmniDocBench V1.5 榜单中取得全球SOTA成绩，并连续五天登顶 HuggingFace全球模型总趋势榜与ModelScope全球模型总趋势榜双榜第一。
相比于上代，在功能层面，PaddleOCR-VL-1.5 进一步集成印章识别、文本检测与识别等任务能力，关键指标持续领跑；同时针对特殊场景与多语种识别进行系统优化，在生僻字、古籍文献、多语种表格、下划线与复选框等复杂结构识别方面显著提升，并新增对藏语、孟加拉语等语种的支持。模型还支持跨页表格自动合并与跨页段落标题识别，有效解决长文档解析中的结构断裂问题。
近半年来，全球主流模型厂商密集布局 OCR 领域。1月27日，深度求索发布新一代 OCR 模型 DeepSeek-OCR-2，引入“因果流查询”机制，并将语言模型融入视觉编码，在OmniDocBench V1.5中实现91.09%精度。与此同时，Mistral AI、字节跳动、腾讯等企业也相继推出新一代 OCR 模型，行业竞争持续加剧。
业内分析认为，随着大模型加速进入金融、政务、制造等高复杂度业务流程，文档解析能力正从“能用”走向“稳定可规模化落地”。PaddleOCR-VL-1.5 在精度、复杂场景适应性与工程化能力上的系统突破，有望进一步降低产业应用门槛，推动 OCR 技术在真实生产环境中的深度落地。
目前，PaddleOCR-VL-1.5 已全面开源，开发者可通过GitHub、Hugging Face获取，并在 PaddleOCR 官网进行在线体验或通过百度智能云千帆平台调用API接口。
0 条评论
请「登录」后评论