PaddleOCR-VL-1.6 - 百度推出的文档解析视觉语言模型

PaddleOCR-VL-1.6是什么

PaddleOCR-VL-1.6 是百度飞桨团队推出的文档解析视觉语言模型（VLM），是 PaddleOCR-VL 系列的最新升级版本。模型仅 0.9B 参数，在 OmniDocBench v1.6 权威基准测试中达到 96.33% 的全新 SOTA 成绩，同时在 OmniDocBench v1.5 和 Real5-OmniDocBench 上刷新纪录，文本、公式、表格识别全面领先开源与闭源方案。模型架构与 1.5 版本完全一致，支持零成本即插即用迁移。

PaddleOCR-VL-1.6的主要功能

• 文本识别：通用文本识别，支持 109 种语言，OmniDocBench v1.6 文本得分 96.8。
• 公式识别：数学公式 LaTeX 识别，得分 97.5，超越 GLM-OCR 和 MinerU。
• 表格识别：复杂表格结构解析（含合并单元格、多层表头），TEDS 得分 94.8。
• 古籍识别：中文古籍、竖排文字识别能力大幅提升。
• 生僻字识别：罕见汉字识别显著增强。
• 印章识别：公章/印章文字提取与定位。
• 图表识别：饼图、折线图等 11 类图表解析为结构化数据。
• 文本检测（Spotting）：自然场景文字检测。
• 结构化输出：支持 Markdown、JSON、DOCX 格式导出。
• 跨页表格合并：自动识别并合并跨页表格。

PaddleOCR-VL-1.6的技术原理

• 两阶段解耦架构：模型采用”版面分析+VLM识别”的两阶段设计：第一阶段由 PP-DocLayoutV3 检测 25 类文档元素并输出阅读顺序与坐标；第二阶段由 0.9B 参数的 VLM 逐元素识别。VLM 内部使用 NaViT 动态分辨率视觉编码器自适应处理不同尺寸图像，配合 ERNIE-4.5-0.3B 语言模型生成结构化输出，避免固定分辨率导致的小字信息丢失。
• 零架构改动的数据驱动升级：1.6 版本与 1.5 模型结构完全一致，性能飞跃完全来自数据与训练策略优化。团队通过分析 1.5 在 OmniDocBench 各子项的薄弱区域，对古籍、生僻字、印章、复杂表格等场景实施定向数据增强。
• 区域感知数据增强：针对薄弱区域引入 CV 模拟失真技术，在公式、文本等训练数据中模拟扫描、倾斜、光照、屏幕拍摄等真实物理畸变；同时扩展文本发现任务的最大分辨率至 2048×28×28 像素，注入大规模印章、古籍专项数据，显著提升真实场景鲁棒性。
• 渐进式三阶段训练：采用”预训练→SFT→强化学习”的渐进方案：预训练数据从 2900 万扩至 4600 万图像-文本对；SFT 阶段在原有 OCR、表格、公式基础上新增印章识别和文本发现任务；最后通过 GRPO 强化学习进一步对齐输出质量，实现多任务统一。

如何使用PaddleOCR-VL-1.6

• 本地安装（Python）：安装 paddlepaddle-gpu==3.2.1（CUDA 12.6），执行 pip install -U "paddleocr[doc-parser]"，完成环境配置后可使用。
• 命令行使用：安装后运行 paddleocr doc_parser -i your_document.png 或 paddleocr doc_parser -i document.pdf，直接输出解析结果，支持单张图片和 PDF 批量处理。
• Python API：导入 PaddleOCRVL 类初始化 pipeline，调用 predict() 传入图片路径，结果可通过 print() 查看，或使用 save_to_json()、save_to_markdown() 保存为结构化文件。
• Docker 部署（生产环境）：拉取官方镜像 ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddleocr-vl:latest-nvidia-gpu，启动容器后直接在容器内运行，适合服务器部署。
• 推理服务部署：执行 paddleocr genai_server 一键启动 HTTP 服务，支持 vLLM、SGLang、FastDeploy、Transformers、llama.cpp 等多种后端，适合高并发 API 调用场景。

PaddleOCR-VL-1.6的核心优势

• SOTA 精度：OmniDocBench v1.6 达 96.33%，文本、公式、表格全维度第一
• 极致轻量：0.9B 参数，远小于 Qwen3-VL-235B、GPT-5.2 等通用大模型
• 零成本迁移：架构与 1.5 完全一致，直接替换权重即可
• 真实场景鲁棒：在扫描、扭曲、屏幕拍摄、光照变化、倾斜 5 大场景均刷新 SOTA
• 多硬件支持：NVIDIA GPU（含 Blackwell）、Apple Silicon、昆仑芯、昇腾、AMD、Intel

PaddleOCR-VL-1.6的项目地址

• GitHub仓库：https://github.com/PaddlePaddle/PaddleOCR
• HuggingFace模型库：https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.6

PaddleOCR-VL-1.6的同类竞品对比

PaddleOCR-VL-1.6的应用场景

• 文档数字化：将纸质档案、书籍、论文扫描件转换为 Markdown 或 JSON 结构化电子文档，支持批量处理。
  企业办公：自动提取合同、发票、报表、审批单中的关键信息，对接 ERP 或 OA 系统实现流程自动化。
  教育科研：识别学术论文中的复杂公式（LaTeX 输出）和表格数据，辅助文献整理与知识提取。
  金融服务：解析银行票据、财务报表、对账单，实现数据自动录入与合规审计。
  医疗健康：结构化录入病历、检查报告、处方单，支持医院信息化系统对接。