
百度:PaddleOCR-VL高效多语言文档解析视觉语言模型
PaddleOCR-VL 是由百度 PaddlePaddle 团队开发的一种高效且强大的多模态文档解析模型。该系统采用双阶段架构,首先通过 PP-DocLayoutV2 进行精准的版面分析与阅读顺序预测,随后利用超轻量级的 PaddleOCR-VL-0.9B 视觉语言模型对文本、表格、公式和图表等元素进行深度识别。该模型支持 109 种语言,并结合了动态分辨率编码器与高效的语言解码器,在保持极低资源消耗的同时实现了卓越的推理速度。通过系统性的数据合成、自动标注及硬样本挖掘技术,它在 OmniDocBench 等多个权威榜单上取得了领先的性能表现。总体而言,该方案为复杂文档的结构化处理提供了一个平衡高精度与实际部署效率的工业级基准。
The skinny
The skinny isn't ready yet — notes appear once the transcript is processed.