只有0.9B的PaddleOCR-VL，却是现在最强的OCR模型。

这几天，OCR这个词，绝对是整个AI圈最火的词。

因为DeepSeek-OCR，甚至让OCR这个赛道文艺复兴，又给直接带火了。

整个Hugging Face的趋势版里，前4有3个OCR，甚至Qwen3-VL-8B也能干OCR的活，说一句全员OCR真的不过分。

然后在我上一篇讲DeepSeek-OCR文章的评论区里，有很多朋友都在把DeepSeek-OCR跟PaddleOCR-VL做对比，也有很多人都在问，能不能再解读一下百度那个OCR模型（也就是PaddleOCR-VL）。

所以我也觉得，不如就来写一篇关于PaddleOCR-VL的内容吧。

非常坦诚的讲，百度家的东西，我写的一直都会非常谨慎。

但是这个PaddleOCR-VL，是我真的觉得值得一写的。

因为，确实很牛逼。

首先提一下，PaddleOCR这个项目本身，不是啥新东西，这是百度一直都在做的项目，很多年了，最早期甚至可以追溯到2020年，也是一直是开源的姿态。

后来他们就不断的迭代，整整5年时间，成了整个OCR领域最火的开源，现在也应该是现在Github上Star最高的OCR项目，有60K，基本属于断档领先。

而PaddleOCR-VL模型，就是他们前几天开源了他们的PaddleOCR系列里最新的模型，这也是第一次，把大模型用在了整个OCR文档解析的最核心的位置。

整个模型只有0.9B，但是几乎在OCR的评测集叫OmniDocBench v1.5的所有子项，都做到了SOTA。

左边有三个类型，分别是传统的多阶段流水线系统、通用多模态大模型、专门为文档解析训练的视觉语言模型。

PaddleOCR-VL参数最小，效果最好，然后因为发的刚好早了三四天，所以表里没有DeepSeek-OCR的跑分，但是OmniDocBench v1.5的最新跑分昨天也出炉了，DeepSeek-OCR综合跑分是86.46，比PaddleOCR-VL的92.56还是低了大概6分，不过也能理解。

PaddleOCR-VL确实足够的猛，在垂直模型领域，把性价比做到了极致。你可能会有一点点好奇，为啥一个0.9B的模型，能比其他的大模型都要强。

除了确实专精这个领域之外，还有个非常有趣的架构，是我觉得单独可以说一下的。

也是长上下文和避免幻觉的一种非常有趣的解法。

很多的多模态大模型，是端到端的，他们干OCR的方式其实是非常低效的。

就是你把一整张A4纸扔给它，它需要一口气把这张图上所有的文字、表格、公式、图片、排版等等全都看懂，然后再一口气生成一个完美的Markdown，这个难度，其实也挺地狱级的。

毕竟模型需要同时理解：“哦，这块是个表，它在页面的左上角，这个表有3行5列，哦表头是这个，哦内容是那个，它旁边的这段文字是在解释这个表……哦哎卧槽我第一个事是要干啥来着。。。” 

PaddleOCR-VL的做法就挺高效好玩的，它的架构，就两步：

第一步，先让专干布局分析的传统视觉模型上。这个玩意叫PP-DocLayoutV2，它干的活儿特纯粹，就是“框”。

它以极快的速度扫一眼整张图，然后把一些区域都框起来，然后告诉你：“报告老板，这里是标题，那里是正文，这块是个表，那块是公式。” 而且每个框的阅读顺序，也都是符合人类的阅读顺序的。

这个活儿，在CV领域已经很成熟了，根本不需要一个大模型来搞。

第二步，就是主力登场。这个主力，就是最核心的这个0.9B的PaddleOCR-VL模型。

它现在接到的任务，根本不是去看那张复杂的A4纸。它接到的是一堆被PP-DocLayoutV2裁好的小图片。

一个任务是：“这是一张200x500的小图，我（PP-DocLayoutV2）已经告诉你这是个表了，你（PaddleOCR-VL）给我把它转成Markdown。” 

下一个任务是：“这是一张50x50的小图，我知道这是个公式，你给我转成LaTeX。”

然后循环往复，最后，又准又快。

所以这种做法，根本不需要复杂的几百B的大模型，直接上0.9B的模型，却能达到最完美的效果。

我之所以把这个点单独拿出来说，也是想表达我的一个观点：

在普通用户眼里，其实很多时候技术根本没有优劣，能解决用户的问题，就是最牛逼的技术。黑猫白猫，能抓到耗子的，就是好猫。

至少我认为，PaddleOCR-VL的做法，就非常的巧劲。

我也专门找了几类特别有代表性，处理起来比较头疼的图片来给大家看一下实测的效果。

首先肯定是扫描PDF，这种应该是重中之重，比如下面这张非常糊的扫描件截图，肉眼看起来也会有点吃力。

糊不拉几的，我眼睛看着都疼。

而把这个扔给PaddleOCR-VL，它处理起来很顺利，先是把需要识别的地方框了出来，并打上了阅读循序的序号。

然后是第二步，分块识别出结果，效果很不错，公式也识别出来了。

我详细核对了2、3遍，发现确实一个字都没错。

最后的那个+号后面之所以没东西了，是因为我截图的时候，不小心让搜狗输入法的图标给挡住了。。。

我又找了一些手写笔记的照片去试，这玩意绝对是OCR领域的硬骨头。

不管是中文还是英文，只要字迹别太潦草到像天书一样，PaddleOCR-VL给出的识别结果准确率都还挺在线的。

对比很多工具碰到手写基本就歇菜的情况，这个已经很能打了。

当然，前提是你的手写字得大致能看懂，如果是医生的那种字，我觉得神仙来了都没用。。。

然后是论文这种排版密集的。报纸那小字、多分栏、紧凑的布局，对布局分析和识别都是不小的挑战。

实测下来，PaddleOCR-VL对多栏的处理还比较稳定，阅读顺序也能捋顺，文字识别本身也没啥毛病，基本全对，总体效果挺好。

因为支持端到端的解析，所以能给你把一些图表啥的都给你还原回来。

这个点非常的牛逼。

还有就是票据，像发票收据这些。格式虽然相对固定，但里面混着机打字、数字、手写补充、甚至盖章，挺复杂的。

PaddleOCR-VL在处理这类半结构化文档、抓取关键信息时表现还行，我自己跑了很多次，不能说百分百没差错，但在同类模型里，已经算非常靠谱的了。

感觉这个已经完全可以替换我们现在多维表格上用的视觉大模型，接入到我们公司财务的多维表格系统里面了。。。

准确性强很多，真的能节省财务的不少时间。

还有那种大型表格，这就是重头戏了。

不管是论文里那种带合并单元格的复杂表，还是财报里密密麻麻的数字表，甚至是没啥框线的表，PaddleOCR-VL的表格结构识别能力是有一点让我惊讶的，不光能认出格子里面的字，还能把表格的行列关系比较好地还原出来，这对我们的一些自动化信息提取非常有帮助。

比如就是上文里面的那个跑分图。

识别提取出来之后，没有一丁点问题，这个是有点离谱的。

总的来说，这些实测跑下来，PaddleOCR-VL在处理这些复杂和刁钻的场景时，表现确实可圈可点。

而且实测确实会比DeepSeek-OCR准确更高，DeepSeek-OCR提取的时候总是会错一两个字，PaddleOCR-VL是一字不错，当然你不能把DeepSeek-OCR纯看成是一个纯OCR模型，毕竟意义还是不太一样。

我们自己其实有很多飞书多维表格的信息提取工作流，也已经在考虑换成PaddleOCR-VL了。

比如我们经常需要，批量上传一些各个平台的数据截图，然后提取里面的一些结构化信息。

现在都是接了一些比较大的多模态大模型来做提取的，有一说一，从价格上来说，会比PaddleOCR-VL这种贵很多，而且有时候还会出错。

感觉把PaddleOCR-VL接进去，会是目前的最优解。

目前PaddleOCR-VL已经开源，网址在此：

https://github.com/PaddlePaddle/PaddleOCR

我本来想跟DeepSeek-OCR一样，给大家手搓一个Windows的本地整合包，让大家能开箱即用，结果因为不同于一些常规的大模型，折腾了一夜，干到凌晨4点多，两眼发黑，还是没做出来，这个只能说对不起大家，还是有点太菜了= =

所以现阶段，大家如果有自己部署能力的，可以自己根据PaddleOCR Github上的部署教程来部署到本地。

只是想用一下的，不想折腾部署的，可以去各大demo平台上用官方自己部署的体验版本。

飞桨：https://aistudio.baidu.com/application/detail/98365

魔搭：https://www.modelscope.cn/studios/PaddlePaddle/PaddleOCR-VL_Online_Demo

Hugging Face：https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo

最后，还是想多说几句。

DeepSeek-OCR探索的上下文光学压缩确实非常新，也打开了大家对人类视觉感知的一些新的想象。

百度的PaddleOCR-VL，更是从实际出发，在一个细分领域达到了SOTA，成为了这个领域效果最好的模型。

高效、准确，也能实实在在地提升我们处理文档信息的效率。

两者都是非常优秀的工作，没有谁比谁强。

都是在自己领域。

最亮眼的仔。

文章来自于微信公众号 “数字生命卡兹克”，作者 “数字生命卡兹克”