一个参数仅0.9B的“小模型”，正以超乎想象的强大能力改变AI理解文档的方式。
HuggingFace趋势榜近日出现罕见一幕——全球领先的开源AI社区趋势榜前三名全部被OCR模型占领，而夺冠的正是百度飞桨团队10月16日发布的全新视觉语言模型PaddleOCR-VL。
这款参数仅0.9B的轻量级模型，在权威评测OmniDocBench V1.5中取得92.56分的成绩，超越包括DeepSeek-OCR在内的所有主流模型，成功登顶全球OCR榜单。
01 小模型大能量
百度飞桨团队正式发布PaddleOCR-VL后，全球OCR领域立刻掀起波澜。
这款超紧凑模型仅0.9B参数，却在短短几天内征服了行业专家。
截至10月21日，HuggingFace全球模型趋势榜前3名全部被OCR模型包揽，PaddleOCR-VL已连续5天位居榜首，成为当前最受关注的开源OCR模型。
紧随其后的是DeepSeek-OCR和NanonetOCR。
OmniDocBench V1.5是当前最具挑战性的文档解析评测集，包含1355页PDF，涵盖9种文档类型和4种布局。
PaddleOCR-VL的92.56分综合成绩，超越了GPT-4o、Gemini-2.5 Pro等参数量数十倍甚至数百倍的大模型。
02 四项全能突破
PaddleOCR-VL的强大不仅体现在综合得分上，更在于其全面的核心能力。
在文本识别方面，该模型编辑距离仅0.035，支持109种语言，包括手写、竖排、艺术字等复杂场景。
公式识别能力同样出色，CDM得分0.9453，LaTeX输出准确，在1，050个公式测试集上超越所有对比模型。
表格理解上，TEDS得分89.76，能解析财报、统计报表中的合并单元格、嵌套表格等复杂结构。
更值得一提的是其阅读顺序预测能力，编辑距离0.043，是该榜单所有模型中的最优表现，能像人一样理解多栏、图文混排的阅读逻辑。
03 技术架构创新
传统OCR系统采用逐行识别策略，面对多栏、嵌套、错行等复杂版面时往往力不从心。PaddleOCR-VL的突破源于其创新的两阶段架构设计。
第一阶段由PP-DocLayoutV2模型负责文档版面分析，基于RT-DETR检测器与指针网络预测阅读顺序。
第二阶段由PaddleOCR-VL-0.9B进行细粒度识别，该模型采用LLaVA架构风格，融合NaViT动态分辨率视觉编码器与ERNIE-4.5-0.3B语言模型，在效率与精度上取得了双重突破。
这种模块解耦的设计让模型在面对复杂版面任务时表现更稳定、更高效，在单张A100上推理速度达1881 token/s，同时保持较低的内存占用。
04 从识别到理解
PaddleOCR-VL的突破，标志着OCR技术从传统的“识字”阶段，进入了真正的“理解”阶段。
在产业智能化浪潮中，OCR已成为各行业不可或缺的数字化基础设施。
金融合同审核、学术文献处理、政务档案数字化等场景，都需要能够理解文档结构的智能工具。
百度通过PaddleOCR-VL证明：在垂直任务中，架构合理、任务聚焦的“小模型”同样可以超越参数量巨大的通用大模型，实现精度、速度、功耗的三赢。
正如一位开发者在社交平台上所说：“这可能是目前最适合落地的文档解析模型——既强，又轻，还开源。”
05 国产大模型崛起
PaddleOCR-VL的成功并非孤例。今年以来，国产大模型在全球舞台上频频崭露头角。
7月31日，HuggingFace趋势热榜前十名模型中，九个是国产大模型，包括智谱GLM-4.5、阿里通义千问、腾讯混元等。
中国开源大模型实力已经引起全球震动，据外媒报道，中国企业正在研发的人工智能模型不仅智能化水平提升，使用成本也持续降低。
北京邮电大学数字媒体与设计艺术学院副教授谭剑对此评价道：“美国对中国的AI芯片禁售，这种资源约束反而逼出了创新，就像小户型装修，面积有限，你就得想各种收纳技巧、多功能家具，结果往往比大户型住得更舒服、更有设计感。”
这种“资源约束催生创新” 的现象，在PaddleOCR-VL上得到了完美体现。
PaddleOCR-VL的轻量化设计使其可以在消费级GPU上运行，在RTX 4090D上也能达到每秒1.03页的处理速度，大大降低了部署门槛。
随着PaddleOCR-VL的开源发布，AI理解复杂文档的能力将迅速普及到各行各业，推动整个社会向智能化时代迈进。
关注 “悠AI” 更多干货技巧行业动态
相关文章
