PaddleOCR-VL-1.5 模型解析：0.9B参数量高效文档理解，支持跨页表格与多语种识别

论文地址：https://arxiv.org/abs/2601.21957

近期，飞桨 PaddlePaddle 重磅发布了其最新一代的视觉语言模型——PaddleOCR-VL-1.5。这款模型专为复杂的文档解析任务设计，采用多任务架构，拥有约 0.9B 的参数量，定位为一款兼顾精度与效率的高性能文档理解与识别工具。

根据官方数据，PaddleOCR-VL-1.5 在 OmniDocBench v1.5 基准测试中表现优异，整体准确率达到了 94.5%。更为突出的是，在表格解析、公式识别和文本识别等多个子任务上，它都展现出了领先的性能水准。模型的一大亮点在于其鲁棒性，针对现实世界中常见的物理畸变，如复杂光照、文本倾斜、文档扭曲、扫描瑕疵以及屏幕翻拍等问题，都进行了专门的优化和增强。

它集成了多项高级文档理解能力，包括不规则多边形区域（如印章、图表）的精确定位、端到端的文本行定位与识别（text spotting），以及印章检测。此外，模型还能智能处理跨页文档：例如，将分布在多个页面的表格内容自动合并为一个逻辑整体，并识别跨页段落之间的标题关联性。在语言支持上，它从主流语种扩展到了包括藏文、孟加拉文在内的多种稀有文字，展现了良好的多语种适应性。

为了便于开发者快速集成与应用，官方提供了多种使用方式，涵盖命令行工具（CLI）、Python API 以及兼容 transformers 库的推理示例代码。对于追求更高性能与推理效率的生产环境，官方建议在 PaddlePaddle 自家的优化推理服务框架或 vLLM 等高性能推理后端上进行部署。

对于关注轻量化与高效的 AI模型 应用的开发者和研究者而言，PaddleOCR-VL-1.5 无疑是一个值得深入探索的开源项目。其在小参数量下实现的多任务、强鲁棒性文档理解能力，为相关领域的实际应用提供了新的可能。更多技术讨论和资源分享，欢迎访问云栈社区。