1月29日，百度正式对外发布并开源了新一代文档智能解析模型——PaddleOCR-VL-1.5。作为一项关键的人工智能技术，OCR正从简单的文字识别，向复杂文档的深度理解演进。这次发布的模型虽然参数量仅有0.9B，走的是轻量化路线，但其在全球权威文档解析评测榜单OmniDocBench V1.5中表现惊人，以94.5%的综合精度取得了全球第一的成绩，超越了包括Gemini-3-Pro、DeepSeek-OCR2、Qwen3-VL-235B-A22B乃至GPT-5.2在内的诸多大型模型。
此次更新最引人注目的技术突破，在于PaddleOCR-VL-1.5首次实现了OCR领域的“异形框定位”能力。简单来说，这让机器首次能够像人眼一样，精准识别并框定那些倾斜、弯折、因拍照而产生畸变的非规则文档。过去，这些“歪七扭八”的文档是传统OCR模型的噩梦，常常导致识别失败或结构混乱。现在，这项技术有望从根本上解决移动拍照、扫描件变形、复杂光照等真实场景下的文档解析难题，为金融票据自动化处理、档案数字化、政务文档电子流转等智能 & 数据 & 云场景提供稳定且可规模化的解析能力。
该模型基于百度的文心大模型开发，在多个关键分项指标上均处于领先地位。特别是在表格结构理解（92.8分）和阅读顺序预测（95.8分）这两个核心任务上，它均位列第一，分别领先Gemini-3-Pro、DeepSeek-OCR等主流模型2到5分。更直观地看，其在版面逻辑解析上的错误率大约只有其他同类模型的一半。这意味着，在处理合同、财务报表这类结构复杂、逻辑严谨的文档时，PaddleOCR-VL-1.5展现出了更高的稳定性和可用性。
图为PaddleOCR-VL-1.5在OmniDocBench V1.5榜单中与Gemini-3 Pro、DeepSeek-OCR2等主流模型的全面性能对比。
回顾来看，百度在2024年10月16日首次发布并开源了PaddleOCR-VL模型，当时就在OmniDocBench V1.5榜单中取得了SOTA成绩，并连续五天登顶HuggingFace和ModelScope的全球模型趋势榜。此次的1.5版本并非简单的性能迭代，而是功能与场景的全面深化。
相较于上一代，PaddleOCR-VL-1.5集成了印章识别、文本检测与识别等更多任务，形成了一套更完整的文档解析工具箱。它针对多种特殊场景进行了系统性优化：在识别生僻字、古籍文献、多语种表格、下划线及复选框等复杂结构时，准确率显著提升，并新增了对藏语、孟加拉语等语种的支持。此外，模型还新增了跨页表格自动合并与跨页段落标题识别的能力，有效解决了长文档（如长篇报告、论文）解析中常见的结构断裂问题，让文档的逻辑完整性得以保持。
近半年来，全球主流科技公司对OCR领域的投入明显加剧，竞争日趋白热化。就在本月27日，深度求索发布了其新一代OCR模型DeepSeek-OCR-2，通过引入“因果流查询”等机制，在OmniDocBench V1.5上也达到了91.09%的精度。同时，Mistral AI、字节跳动、腾讯等企业也相继推出了各自的新一代OCR模型。这种密集的布局背后，反映出一个清晰的趋势：随着大模型加速渗透金融、政务、制造等高复杂度业务流程，文档解析能力正从“实验可用”阶段，大步迈向“稳定、可规模化落地”的新阶段。
业内人士分析，PaddleOCR-VL-1.5在精度、复杂场景适应性以及工程化能力上的系统性突破，有望进一步降低OCR技术在真实产业环境中的应用门槛，推动其在生产环节中的深度整合与价值释放。
目前，PaddleOCR-VL-1.5已全面开源，开发者可以通过以下途径获取和使用。对于想要参与开源实战或进行二次开发的工程师来说，这无疑是一个很好的学习和研究样本。
在线体验与API调用：
开源项目地址：
模型下载地址：
| 
发表于 昨天 01:28
|
查看: 1|
回复: 0
