权威榜单验证的技术突破
1月29日，百度正式发布并开源新一代文档解析模型 PaddleOCR-VL-1.5。在全球权威评测榜单 OmniDocBench V1.5 中，该模型以仅0.9B参数规模，取得全球综合性能第一，整体精度达到94.5%，在多项核心指标上全面超越 Gemini-3-Pro、DeepSeek-OCR2、Qwen3-VL-235B-A22B 以及 GPT-5.2 等主流模型。这一成绩，标志着轻量级OCR模型首次在国际权威榜单中实现全面领先。
“异形框定位”首次落地真实场景
值得关注的是，PaddleOCR-VL-1.5 全球首次实现OCR模型的“异形框定位”能力，使模型能够稳定识别倾斜、弯折、拍照畸变等非规则文档形态。这一突破，直接回应了长期困扰行业的“歪文档”难题，使移动拍照、扫描变形、复杂光照条件下的文档解析首次具备可规模化落地能力，为金融票据、政务档案、企业合同等高频场景提供了更可靠的技术基础。
复杂结构理解能力显著领先
依托文心大模型能力，PaddleOCR-VL-1.5 在 OmniDocBench V1.5 的多项关键指标上表现突出。其中，表格结构理解得分92.8，阅读顺序预测得分95.8，两项指标均位列榜单首位，领先 Gemini-3-Pro、DeepSeek-OCR 等模型2至5分不等。尤其在文档阅读顺序预测任务中，其版面逻辑解析错误率仅为同类模型约一半，显示出在复杂文档结构还原方面的高度稳定性。
从SOTA到工程能力的持续演进
回顾发展路径，2025年10月16日，百度首次发布并开源 PaddleOCR-VL 模型，便在 OmniDocBench V1.5 中取得全球SOTA成绩，并连续五天登顶 HuggingFace 与 ModelScope 全球模型趋势榜。此次发布的 1.5 版本，在延续高精度优势的基础上，进一步强化工程化能力，使模型更贴近真实生产环境需求。
多语种与复杂版式全面增强
在功能层面，PaddleOCR-VL-1.5 深度集成印章识别、文本检测与识别等能力，并针对特殊场景进行系统优化。在生僻字、古籍文献、多语种表格、下划线、复选框等复杂结构识别方面均实现明显提升，同时新增对藏语、孟加拉语等语种的支持。模型还支持跨页表格自动合并与跨页段落标题识别，有效解决长文档处理中常见的结构断裂问题。
行业竞争加速下的现实意义
近半年来，全球主流厂商密集布局OCR赛道。1月27日，深度求索发布 DeepSeek-OCR-2，引入“因果流查询”机制，在 OmniDocBench V1.5 中取得91.09%精度；同时，Mistral AI、字节跳动、腾讯等企业也相继推出新一代模型，行业竞争持续升温。在这一背景下，PaddleOCR-VL-1.5 以系统性工程能力实现领先，凸显出差异化优势。
从“能用”到“可规模化”的关键跨越
业内普遍认为，随着大模型加速进入金融、政务、制造等高复杂度业务流程，文档解析能力的核心标准正在从“能识别”转向“稳定、可规模化落地”。PaddleOCR-VL-1.5 在精度、复杂场景适应性与工程可靠性上的综合突破，有望进一步降低产业应用门槛，推动OCR技术在真实生产环境中的深度应用。
© 版权声明
本内容由 AI 生成，仅供参考，不构成新闻报道。
