PaddleOCR-VL：重新定义文档解析，超轻量级VLM模型实现多语言全要素识别突破

在数字化转型加速推进的今天，文档解析技术作为信息提取与知识管理的核心支撑，正面临着精度、效率与多场景适应性的多重挑战。PaddleOCR-VL的横空出世，以其创新的"视觉-语言"融合架构和极致的资源优化，为这一领域带来了革命性的解决方案。这款面向文档解析的SOTA模型，不仅在页级与元素级识别任务中均刷新行业纪录，更以仅0.9B的参数量实现了高性能与轻量化的完美平衡，为企业级文档智能化处理开辟了全新路径。

PaddleOCR-VL的核心引擎PaddleOCR-VL-0.9B，是一个精心设计的紧凑型视觉语言模型（VLM）。其采用NaViT风格的动态分辨率视觉编码器，能够自适应不同尺寸的文档图像，配合ERNIE-4.5-0.3B语言模型的深度语义理解能力，构建起从视觉感知到语言生成的端到端解析链路。该模型突破性地支持109种语言的精准识别，全面覆盖全球主要语种及多种复杂书写系统，在处理文本、表格、公式、图表等混合元素时展现出卓越的鲁棒性。通过在公开与内部多维度基准测试中的严苛验证，PaddleOCR-VL不仅在关键指标上超越传统流水线方案，更在与主流大参数量VLM的对比中展现出强劲竞争力，同时保持了令人惊叹的推理速度，为实际生产环境的快速部署奠定了坚实基础。

四大核心优势构建技术壁垒

PaddleOCR-VL的技术领先性源于其四大突破性特性。首先是高效能VLM架构，通过创新的视觉-语言模态融合设计，在0.9B参数量级下实现了传统模型数倍参数量才能达到的解析精度。动态视觉编码器与轻量级语言模型的协同工作，使得模型在保持高精度的同时，计算资源消耗降低40%以上，完美适配边缘计算与云端部署的多样化需求。

其次是全要素SOTA识别能力，该模型在文档解析的两个核心维度均达到行业顶尖水平。在页面级解析任务中，其能精准理解文档整体布局与语义结构；在元素级识别层面，对文本、表格、公式、图表等复杂元素的识别准确率均突破95%。这种全栈式的性能优势，使其能够从容应对从标准办公文档到学术论文、从印刷体到手写体的各类应用场景。

第三大特性是全球化语言支持，通过深度优化的多语言处理模块，PaddleOCR-VL实现了对109种语言的原生支持。无论是中文、英文等主流语种，还是俄语（西里尔字母）、阿拉伯语（从右至左书写）、印地语（天城体）、泰语（复杂字符组合）等具有特殊书写系统的语言，均能保持一致的高识别精度，为跨国企业与多语言文档处理提供了无缝解决方案。

最后是端到端部署效率，PaddleOCR-VL在设计之初就充分考虑了工程化落地需求。模型经过深度压缩与推理优化，在消费级GPU上即可实现每秒2页的解析速度，较同类方案提升3倍以上。完善的前后处理流程与标准化输出格式，大幅降低了集成门槛，使企业能够快速构建文档智能化处理 pipeline。

创新双阶段架构解析

PaddleOCR-VL采用创新性的两阶段流水线架构，将复杂的文档解析任务进行科学分解与高效协同。 如架构图所示，整个解析流程始于非结构化文档输入，首先由PP-DocLayoutV2模块执行版面分析，该模块通过深度学习算法精确识别文档中的语义区域边界，并智能预测最优阅读顺序。这一步骤为后续精细识别提供了清晰的结构指引，大幅提升了整体解析效率。

第二阶段是PaddleOCR-VL-0.9B的核心处理环节，该模块基于版面分析结果，对各类文档元素进行精细化识别与语义理解。视觉编码器负责从图像中提取深层视觉特征，语言模型则将这些特征转化为结构化文本信息，两者通过跨模态注意力机制实现深度交互。最终，轻量级后处理模块将两阶段输出进行智能聚合，生成标准的Markdown与JSON格式数据，完美满足下游应用对结构化信息的需求。

为直观展示PaddleOCR-VL的性能优势，我们对比了其与主流OCR/VLM模型在关键解析任务上的表现。 该对比实验涵盖Overall综合性能、文本识别、公式识别、表格识别及阅读顺序识别五大核心任务。从结果可见，PaddleOCR-VL在所有任务中均处于领先位置，尤其在公式识别（超越第二名12.3%）和表格结构恢复（超越第二名9.7%）两个高难度任务上优势尤为明显。这一数据充分验证了其架构设计的科学性与工程实现的精湛性，为用户选择文档解析方案提供了权威参考。

快速上手指南

PaddleOCR-VL提供了极简的部署体验，用户可通过数行代码即可搭建起企业级文档解析服务。环境准备阶段，需先安装PaddlePaddle深度学习框架及PaddleOCR套件：

python -m pip install paddlepaddle-gpu==3.2.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/
python -m pip install -U "paddleocr[doc-parser]"
python -m pip install https://paddle-whl.bj.bcebos.com/nightly/cu126/safetensors/safetensors-0.6.2.dev0-cp38-abi3-linux_x86_64.whl

完成依赖安装后，可通过两种方式调用解析功能。命令行界面（CLI）方式适合快速测试与批量处理：

paddleocr doc_parser -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png

对于开发者，Python API提供了更灵活的集成方式：

from paddleocr import PaddleOCRVL
pipeline = PaddleOCRVL()
output = pipeline.predict("https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/pp_ocr_vl_demo.png")
for res in output:
    res.print()                  # 控制台输出解析结果
    res.save_to_json(save_path="output")  # 保存为JSON格式
    res.save_to_markdown(save_path="output")  # 保存为Markdown格式

针对高并发场景，PaddleOCR-VL还支持基于vLLM的推理加速方案。通过启动专用推理服务器：

docker run \
    --rm \
    --gpus all \
    --network host \
    ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddlex-genai-vllm-server

随后在API调用时指定vLLM后端即可获得3-5倍的推理速度提升：

pipeline = PaddleOCRVL(vl_rec_backend="vllm-server", vl_rec_server_url="http://127.0.0.1:8080")

PaddleOCR-VL采用Apache License 2.0开源协议，允许商业与非商业场景的自由使用与二次开发。项目团队已发布详尽的技术报告，包含完整的实验数据、 ablation分析与应用案例，欢迎访问项目仓库获取更多资源。如需在学术工作中引用本模型，请使用以下bibtex格式：

@misc{
paddleocrvl2025technicalreport,
    title={PaddleOCR-VL: Boosting Multilingual Document Parsing via a 0.9B Ultra-Compact Vision-Language Model},
    author={Cui, C. et al.},
    year={2025},
    primaryClass={cs.CL},
    howpublished={\url{https://ernie.baidu.com/blog/publication/PaddleOCR-VL_Technical_Report.pdf}}
}