PaddleOCR-VL

PaddleOCR-VL 是一个针对文档解析的 SOTA 和资源高效的模型。其核心组件是 PaddleOCR-VL-0.9B，这是一个紧凑而强大的视觉语言模型（VLM），它将 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型集成在一起，以实现精确的元素识别。该创新模型高效支持 109 种语言，并在识别复杂元素（如文本、表格、公式和图表）方面表现出色，同时保持最低的资源消耗。通过在广泛使用的公共基准和内部基准上的全面评估，PaddleOCR-VL 在页面级文档解析和元素级识别方面均达到了 SOTA 性能。它显著优于现有的解决方案，在顶级 VLM 中表现出强大的竞争力，并提供快速的推理速度。这些优势使其非常适合在实际场景中部署。