PaddleOCR-VL 现已登陆 Novita AI 平台，通过一个超紧凑的 0.9B 视觉语言模型，带来最先进的多语言文档解析能力。该创新解决方案将 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型相结合，支持 109 种语言的精确元素识别。
PaddleOCR-VL-0.9B 是一款紧凑而强大的视觉语言模型，擅长识别文本、表格、公式和图表等复杂元素，同时保持极低的资源消耗。通过在广泛使用的公开基准和内部基准上的综合评估，PaddleOCR-VL 在页面级文档解析和元素级识别方面均达到最先进水平。
它显著优于现有解决方案，与顶级视觉语言模型相比具有很强的竞争力，并且推理速度快，适合在实际场景中部署。
什么是 PaddleOCR-VL？
PaddleOCR-VL 是一款面向文档解析的最先进且资源高效的模型。其核心组件是 PaddleOCR-VL-0.9B，一款紧凑而强大的视觉语言模型，它集成了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型，实现精确的元素识别。
该创新模型高效支持 109 种语言，并擅长识别文本、表格、公式和图表等复杂元素，同时保持极低的资源消耗。通过在广泛使用的公开基准和内部基准上的综合评估，PaddleOCR-VL 在页面级文档解析和元素级识别方面均达到最先进水平。
该模型显著优于现有解决方案，与顶级视觉语言模型相比具有很强的竞争力，并且推理速度快。这些优势使其非常适合在实际场景中部署。
核心特性
紧凑而强大的视觉语言模型架构
PaddleOCR-VL 提出了一种新颖的视觉语言模型，专为资源高效推理设计，在元素识别方面表现卓越。通过集成 NaViT 风格的动态高分辨率视觉编码器与轻量级 ERNIE-4.5-0.3B 语言模型，该系统显著增强了模型的识别能力和解码效率。这种集成在保证高精度的同时降低了计算需求，使其非常适合高效实用的文档处理应用。
文档解析的最先进性能
PaddleOCR-VL 在页面级文档解析和元素级识别方面均达到最先进水平。它显著优于现有的基于流水线的解决方案，并在文档解析方面与领先的视觉语言模型相比具有很强的竞争力。此外，PaddleOCR-VL 擅长识别复杂的文档元素，如文本、表格、公式和图表，适用于处理包括手写文本和历史文档在内的各种具有挑战性的内容类型。这使得它非常通用，适用于多种文档类型和场景。
多语言支持
PaddleOCR-VL 支持 109 种语言，涵盖全球主要语言，包括但不限于中文、英文、日文、拉丁文和韩文。它还支持不同文字和结构的语言，如俄语（西里尔字母）、阿拉伯语、印地语（天城文）和泰语。
这种广泛的语言覆盖大大增强了该系统在多语言和全球化文档处理场景中的适用性。
模型架构
NaViT 风格的动态高分辨率视觉编码器使模型能够高效处理不同分辨率的文档，跨不同文档类型和布局保持高质量的特征提取。轻量级 ERNIE-4.5-0.3B 语言模型提供了强大的语言理解和生成能力，处理视觉特征以生成结构化输出。
这种架构设计在模型大小、推理速度和识别精度之间实现了最佳平衡，使 PaddleOCR-VL-0.9B 成为性能和效率都是关键要求的实际部署的理想选择。
性能基准
PaddleOCR-VL 在多个评估维度上表现出卓越性能，成为文档解析和元素识别的最先进解决方案。
页面级文档解析
OmniDocBench v1.5：PaddleOCR-VL 在 OmniDocBench v1.5 上的整体、文本、公式、表格和阅读顺序方面均达到最先进性能。
该模型在所有评估类别中均持续优于竞争解决方案，展示了其全面的文档理解能力。
OmniDocBench v1.0：PaddleOCR-VL 在 OmniDocBench v1.0 上的整体、文本、公式、表格和阅读顺序几乎所有指标上均达到最先进性能。
这些结果验证了模型在不同文档类型和复杂度下的强大能力。
注意： 指标来自 MinerU、OmniDocBench 和内部评估。
元素级识别
文本识别：PaddleOCR-VL 在处理多种文档类型方面的稳健和通用能力使其成为 OmniDocBench-OCR-block 性能评估中的领先方法。
内部的 OCR 评估提供了跨多种语言和文本类型的性能评估。PaddleOCR-VL 在所有评估文字中表现出卓越的准确性，编辑距离最低。
表格识别：自建评估集包含多种类型的表格图像，如中文、英文和中英文混合表格；有完整、部分或无边框的表格；书籍/手册格式、列表、学术论文、合并单元格的表格，以及低质量和带水印的表格。
PaddleOCR-VL 在所有类别中均取得了卓越的性能。
公式识别：评估集包含简单印刷、复杂印刷、相机扫描和手写公式。
PaddleOCR-VL 在每个类别中均表现出最佳性能。
图表识别：评估集大致分为 11 个图表类别，包括柱线混合图、饼图、100% 堆叠柱状图、面积图、柱状图、气泡图、直方图、折线图、散点图、堆叠面积图和堆叠柱状图。
PaddleOCR-VL 不仅优于专家级 OCR 视觉语言模型，还超越了一些 72B 级别的多模态语言模型。
用例与应用
文档数字化
利用 PaddleOCR-VL 支持 109 种语言的强大文本识别，将纸质文档转换为可搜索的数字格式。高效处理发票、收据、合同和商业文档，即使面对低质量扫描件或带水印内容也能保持高精度。
学术研究
从研究论文和科学出版物中提取数学公式、表格和文本。PaddleOCR-VL 卓越的公式识别能力可处理简单和复杂的数学表达式，使其成为学术内容的文献综述和数据提取的理想选择。
金融文档处理
自动从财务报表、资产负债表和报告中提取数据。该模型先进的表格识别能够准确解析具有合并单元格、多语言和金融文档中常见各种格式样式的复杂表格。
历史档案数字化
利用 PaddleOCR-VL 对包括手写文本、旧字体、褪色墨水和老化纸张在内的挑战性内容的稳健处理，保护历史文档和手稿。即使面对不同文字和语言的历史文档，该模型也能保持准确性。
图表与数据分析
从包括柱状图、饼图、折线图和复杂混合可视化在内的 11 种图表类型中提取视觉数据洞察。非常适合商业智能应用和自动报告系统。
在 Novita AI 平台上开始使用 PaddleOCR
通过 Novita AI 访问 PaddleOCR-VL 提供多种途径，适用于不同的技术水平和用例。无论您是探索 AI 能力的业务用户，还是构建生产应用的开发人员，Novita AI 都为您提供了所需的工具。
使用 Playground（现已可用——无需编码）
- 即时访问：注册并立即开始实验 PaddleOCR-VL
- 交互式界面：测试文档解析并实时可视化输出
- 模型比较：针对您的特定用例，将 PaddleOCR-VL 与其他领先模型进行比较
Playground 使您可以测试各种文档类型，无需任何技术设置即可立即看到结果。非常适合原型设计、测试想法以及在全面实施前了解模型能力。
通过 API 集成（已上线并准备就绪——面向开发者）
使用 Novita AI 的统一 REST API 将 PaddleOCR-VL 连接到您的应用程序。
选项 1：直接 API 集成（Python 示例）
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/openai",
api_key="",
)
model = "paddlepaddle/paddleocr-vl"
stream = True # or False
max_tokens = 8192
system_content = "做一个有帮助的助手"
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "你好！",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
选项 2：使用 OpenAI Agents SDK 的多智能体工作流
构建利用 PaddleOCR-VL 高级文档解析能力的复杂多智能体系统：
- 即插即用集成：在任何 OpenAI Agents 工作流中使用 PaddleOCR-VL
- 高级智能体能力：支持交接、路由以及与文档理解能力的工具集成
- 可扩展架构：设计利用 PaddleOCR-VL 多语言 OCR 和元素识别能力的智能体
选项 3：连接第三方平台
开发工具：通过兼容 OpenAI API 和 Anthropic API 的接口，无缝集成到流行的 IDE 和开发环境，如 Cursor、Trae 和 Cline。
编排框架：使用官方连接器连接到 LangChain、Dify、CrewAI、Langflow 和其他 AI 编排平台。
Hugging Face 集成：Novita AI 作为 Hugging Face 的官方推理提供商，确保广泛的生态系统兼容性。
结论
Novita AI 上的 PaddleOCR 通过一个超紧凑的 0.9B 视觉语言模型提供最先进的多语言文档解析能力，将卓越的准确性与非凡的效率结合在一起。凭借对 109 种语言的支持、在 OmniDocBench 基准上的最先进性能，以及在识别包括文本、表格、公式和图表在内的复杂文档元素方面的卓越表现，PaddleOCR-VL 代表了现代文档处理应用的最终选择。
该模型紧凑的架构、快速的推理速度和资源效率使其非常适合实际场景中的部署。无论您是在处理多语言文档、从复杂表格中提取数据、识别数学公式还是分析图表，Novita AI 上的 PaddleOCR-VL 都能提供您所需的性能和可靠性。
立即开始在 Novita AI 上探索 PaddleOCR-VL 的革命性文档解析能力，通过我们开发者友好的平台和无缝集成选项，体验智能文档处理的未来。
Novita AI 是一个 AI 云平台，为开发者提供使用简单 API 部署 AI 模型的简便方式，同时提供价格合理且可靠的 GPU 云用于构建和扩展。
