這幾天，OCR這個(gè)詞，絕對(duì)是整個(gè)AI圈最火的詞。

因?yàn)镈eepSeek-OCR，甚至讓OCR這個(gè)賽道文藝復(fù)興，又給直接帶火了。

整個(gè)Hugging Face的趨勢(shì)版里，前4有3個(gè)OCR，甚至Qwen3-VL-8B也能干OCR的活，說(shuō)一句全員OCR真的不過(guò)分。

然后在我上一篇講DeepSeek-OCR文章的評(píng)論區(qū)里，有很多朋友都在把DeepSeek-OCR跟 PaddleOCR-VL做對(duì)比， 也有很多人都在問(wèn)，能不能再解讀一下百度那個(gè)OCR模型（也就是 PaddleOCR-VL） 。

所以我也覺(jué)得，不如就來(lái)寫(xiě)一篇關(guān)于 PaddleOCR-VL的內(nèi)容吧。

非常坦誠(chéng)的講，百度家的東西，我寫(xiě)的一直都會(huì)非常謹(jǐn)慎。

但是這個(gè)PaddleOCR-VL，是我真的覺(jué)得值得一寫(xiě)的。

因?yàn)�，確實(shí)很牛逼。

首先提一下，PaddleOCR這個(gè)項(xiàng)目本身，不是啥新東西，這是百度一直都在做的項(xiàng)目，很多年了，最早期甚至可以追溯到2020年，也是一直是開(kāi)源的姿態(tài)。

后來(lái)他們就不斷的迭代，整整5年時(shí)間，成了整個(gè)OCR領(lǐng)域最火的開(kāi)源，現(xiàn)在也應(yīng)該是現(xiàn)在Github上Star最高的OCR項(xiàng)目，有60K，基本屬于斷檔領(lǐng)先。

而 PaddleOCR-VL模型，就是他們 前幾天開(kāi)源了他們的PaddleOCR系列里最新的模型，這也是第一次，把大模型用在了整個(gè)OCR文檔解析的最核心的位置。

整個(gè)模型只有0.9B，但是幾乎在OCR的評(píng)測(cè)集叫OmniDocBench v1.5的所有子項(xiàng)，都做到了SOTA。

左邊有三個(gè)類(lèi)型，分別是傳統(tǒng)的多階段流水線系統(tǒng)、通用多模態(tài)大模型、專(zhuān)門(mén)為文檔解析訓(xùn)練的視覺(jué)語(yǔ)言模型。

PaddleOCR-VL參數(shù)最小，效果最好，然后因?yàn)榘l(fā)的剛好早了三四天，所以表里沒(méi)有DeepSeek-OCR的跑分，但是 OmniDocBench v1.5 的最新跑分昨天也出爐了， DeepSeek-OCR 綜合跑分是86.46，比 PaddleOCR-VL的92.56還是低了大概6分，不過(guò)也能理解。

PaddleOCR-VL 確實(shí)足夠的猛，在垂直模型領(lǐng)域，把性?xún)r(jià)比做到了極致。

你可能會(huì)有一點(diǎn)點(diǎn)好奇，為啥一個(gè)0.9B的模型，能比其他的大模型都要強(qiáng)。

除了確實(shí)專(zhuān)精這個(gè)領(lǐng)域之外，還有個(gè)非常有趣的架構(gòu)，是我覺(jué)得單獨(dú)可以說(shuō)一下的。

也是長(zhǎng)上下文和避免幻覺(jué)的一種非常有趣的解法。

很多的多模態(tài)大模型，是端到端的，他們干OCR的方式其實(shí)是非常低效的。

就是你把一整張A4紙扔給它，它需要一口氣把這張圖上所有的文字、表格、公式、圖片、排版等等全都看懂，然后再一口氣生成一個(gè)完美的Markdown，這個(gè)難度，其實(shí)也挺地獄級(jí)的。

畢竟模型需要同時(shí)理解：“哦，這塊是個(gè)表，它在頁(yè)面的左上角，這個(gè)表有3行5列，哦表頭是這個(gè)，哦內(nèi)容是那個(gè)，它旁邊的這段文字是在解釋這個(gè)表……哦哎臥槽我第一個(gè)事是要干啥來(lái)著。。�！�

PaddleOCR-VL的做法就挺高效好玩的，它的架構(gòu)，就兩步：

第一步，先讓專(zhuān)干布局分析的傳統(tǒng)視覺(jué)模型上。這個(gè)玩意叫PP-DocLayoutV2，它干的活兒特純粹，就是“框”。

它以極快的速度掃一眼整張圖，然后把一些區(qū)域都框起來(lái)，然后告訴你：“報(bào)告老板，這里是標(biāo)題，那里是正文，這塊是個(gè)表，那塊是公式�！� 而且每個(gè)框的閱讀順序，也都是符合人類(lèi)的閱讀順序的。

這個(gè)活兒，在CV領(lǐng)域已經(jīng)很成熟了，根本不需要一個(gè)大模型來(lái)搞。

第二步，就是主力登場(chǎng)。這個(gè)主力，就是最核心的這個(gè)0.9B的PaddleOCR-VL模型。

它現(xiàn)在接到的任務(wù)，根本不是去看那張復(fù)雜的A4紙。它接到的是一堆被PP-DocLayoutV2裁好的小圖片。

一個(gè)任務(wù)是：“這是一張200x500的小圖，我（PP-DocLayoutV2）已經(jīng)告訴你這是個(gè)表了，你（PaddleOCR-VL）給我把它轉(zhuǎn)成Markdown。”

下一個(gè)任務(wù)是：“這是一張50x50的小圖，我知道這是個(gè)公式，你給我轉(zhuǎn)成LaTeX�！�

然后循環(huán)往復(fù)，最后，又準(zhǔn)又快。

所以這種做法，根本不需要復(fù)雜的幾百B的大模型，直接上0.9B的模型，卻能達(dá)到最完美的效果。

我之所以把這個(gè)點(diǎn)單獨(dú)拿出來(lái)說(shuō)，也是想表達(dá)我的一個(gè)觀點(diǎn)：

在普通用戶(hù)眼里，其實(shí)很多時(shí)候技術(shù)根本沒(méi)有優(yōu)劣，能解決用戶(hù)的問(wèn)題，就是最牛逼的技術(shù)。黑貓白貓，能抓到耗子的，就是好貓。

至少我認(rèn)為，PaddleOCR-VL的做法，就非常的巧勁。

我也專(zhuān)門(mén)找了幾類(lèi)特別有代表性，處理起來(lái)比較頭疼的圖片來(lái)給大家看一下實(shí)測(cè)的效果。

首先肯定是掃描PDF，這種應(yīng)該是重中之重，比如下面這張非常糊的掃描件截圖，肉眼看起來(lái)也會(huì)有點(diǎn)吃力。

糊不拉幾的，我眼睛看著都疼。

而把這個(gè)扔給PaddleOCR-VL，它處理起來(lái)很順利，先是把需要識(shí)別的地方框了出來(lái)，并打上了閱讀循序的序號(hào)。

然后是第二步，分塊識(shí)別出結(jié)果，效果很不錯(cuò)，公式也識(shí)別出來(lái)了。

我詳細(xì)核對(duì)了2、3遍，發(fā)現(xiàn)確實(shí)一個(gè)字都沒(méi)錯(cuò)。

最后的那個(gè)+號(hào)后面之所以沒(méi)東西了，是因?yàn)槲医貓D的時(shí)候，不小心讓搜狗輸入法的圖標(biāo)給擋住了。。。

我又找了一些手寫(xiě)筆記的照片去試，這玩意絕對(duì)是OCR領(lǐng)域的硬骨頭。

不管是中文還是英文，只要字跡別太潦草到像天書(shū)一樣，PaddleOCR-VL給出的識(shí)別結(jié)果準(zhǔn)確率都還挺在線的。

對(duì)比很多工具碰到手寫(xiě)基本就歇菜的情況，這個(gè)已經(jīng)很能打了。

當(dāng)然，前提是你的手寫(xiě)字得大致能看懂，如果是醫(yī)生的那種字，我覺(jué)得神仙來(lái)了都沒(méi)用。。。

然后是論文這種排版密集的。報(bào)紙那小字、多分欄、緊湊的布局，對(duì)布局分析和識(shí)別都是不小的挑戰(zhàn)。

實(shí)測(cè)下來(lái)，PaddleOCR-VL對(duì)多欄的處理還比較穩(wěn)定，閱讀順序也能捋順，文字識(shí)別本身也沒(méi)啥毛病，基本全對(duì)，總體效果挺好。

因?yàn)橹С侄说蕉说慕馕�，所以能給你把一些圖表啥的都給你還原回來(lái)。

這個(gè)點(diǎn)非常的牛逼。

還有就是票據(jù)，像發(fā)票收據(jù)這些。格式雖然相對(duì)固定，但里面混著機(jī)打字、數(shù)字、手寫(xiě)補(bǔ)充、甚至蓋章，挺復(fù)雜的。

PaddleOCR-VL在處理這類(lèi)半結(jié)構(gòu)化文檔、抓取關(guān)鍵信息時(shí)表現(xiàn)還行，我自己跑了很多次，不能說(shuō)百分百?zèng)]差錯(cuò)，但在同類(lèi)模型里，已經(jīng)算非�？孔V的了。

感覺(jué)這個(gè)已經(jīng)完全可以替換我們現(xiàn)在多維表格上用的視覺(jué)大模型，接入到我們公司財(cái)務(wù)的多維表格系統(tǒng)里面了。。。

準(zhǔn)確性強(qiáng)很多，真的能節(jié)省財(cái)務(wù)的不少時(shí)間。

還有那種大型表格，這就是重頭戲了。

不管是論文里那種帶合并單元格的復(fù)雜表，還是財(cái)報(bào)里密密麻麻的數(shù)字表，甚至是沒(méi)啥框線的表，PaddleOCR-VL的表格結(jié)構(gòu)識(shí)別能力是有一點(diǎn)讓我驚訝的，不光能認(rèn)出格子里面的字，還能把表格的行列關(guān)系比較好地還原出來(lái)，這對(duì)我們的一些自動(dòng)化信息提取非常有幫助。

比如就是上文里面的那個(gè)跑分圖。

識(shí)別提取出來(lái)之后，沒(méi)有一丁點(diǎn)問(wèn)題，這個(gè)是有點(diǎn)離譜的。

總的來(lái)說(shuō)，這些實(shí)測(cè)跑下來(lái)，PaddleOCR-VL在處理這些復(fù)雜和刁鉆的場(chǎng)景時(shí)，表現(xiàn)確實(shí)可圈可點(diǎn)。

而且實(shí)測(cè)確實(shí)會(huì)比DeepSeek-OCR準(zhǔn)確更高，DeepSeek-OCR提取的時(shí)候總是會(huì)錯(cuò)一兩個(gè)字，PaddleOCR-VL是一字不錯(cuò)，當(dāng)然你不能把DeepSeek-OCR純看成是一個(gè)純OCR模型，畢竟意義還是不太一樣。

我們自己其實(shí)有很多飛書(shū)多維表格的信息提取工作流，也已經(jīng)在考慮換成PaddleOCR-VL了。

比如我們經(jīng)常需要，批量上傳一些各個(gè)平臺(tái)的數(shù)據(jù)截圖，然后提取里面的一些結(jié)構(gòu)化信息。

現(xiàn)在都是接了一些比較大的多模態(tài)大模型來(lái)做提取的，有一說(shuō)一，從價(jià)格上來(lái)說(shuō)，會(huì)比PaddleOCR-VL這種貴很多，而且有時(shí)候還會(huì)出錯(cuò)。

感覺(jué)把PaddleOCR-VL接進(jìn)去，會(huì)是目前的最優(yōu)解。

目前PaddleOCR-VL已經(jīng)開(kāi)源，網(wǎng)址在此：

https://github.com/PaddlePaddle/PaddleOCR

我本來(lái)想跟DeepSeek-OCR一樣，給大家手搓一個(gè)Windows的本地整合包，讓大家能開(kāi)箱即用，結(jié)果因?yàn)椴煌谝恍┏Ｒ?guī)的大模型，折騰了一夜，干到凌晨4點(diǎn)多，兩眼發(fā)黑，還是沒(méi)做出來(lái)，這個(gè)只能說(shuō)對(duì)不起大家，還是有點(diǎn)太菜了= =

所以現(xiàn)階段，大家如果有自己部署能力的，可以自己根據(jù)PaddleOCR Github上的部署教程來(lái)部署到本地。

只是想用一下的，不想折騰部署的，可以去各大demo平臺(tái)上用官方自己部署的體驗(yàn)版本。

飛槳：https://aistudio.baidu.com/application/detail/98365

魔搭：https://www.modelscope.cn/studios/PaddlePaddle/PaddleOCR-VL_Online_Demo

Hugging Face：https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo

最后，還是想多說(shuō)幾句。

DeepSeek-OCR探索的上下文光學(xué)壓縮確實(shí)非常新，也打開(kāi)了大家對(duì)人類(lèi)視覺(jué)感知的一些新的想象。

百度的PaddleOCR-VL，更是從實(shí)際出發(fā)，在一個(gè)細(xì)分領(lǐng)域達(dá)到了SOTA，成為了這個(gè)領(lǐng)域效果最好的模型。

高效、準(zhǔn)確，也能實(shí)實(shí)在在地提升我們處理文檔信息的效率。

兩者都是非常優(yōu)秀的工作，沒(méi)有誰(shuí)比誰(shuí)強(qiáng)。

都是在自己領(lǐng)域。

最亮眼的仔。

以上，既然看到這里了，如果覺(jué)得不錯(cuò)，隨手點(diǎn)個(gè)贊、在看、轉(zhuǎn)發(fā)三連吧，如果想第一時(shí)間收到推送，也可以給我個(gè)星標(biāo)?～謝謝你看我的文章，我們，下次再見(jiàn)。

>/ 作者：卡茲克

>/ 投稿或爆料，請(qǐng)聯(lián)系郵箱：wzglyay@virxact.com