PaddleOCR-VL：0.9B 参数如何把整页文档解析成结构化 Markdown

PaddleOCR-VL0.9B 参数如何把整页文档解析成结构化 Markdown【免费下载链接】PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B这是一款精简却功能强大的视觉语言模型VLM。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型可实现精准的元素识别。项目地址: https://ai.gitcode.com/paddlepaddle/PaddleOCR-VLPaddleOCR-VL 瞄准的文档解析场景很具体一份扫描合同里嵌着 20 行费率表页尾还有几行计费公式。传统 OCR 把表格读成一堵文字墙公式直接丢失200 页人工回录要一整天。这个模型把整页解析成带表格结构和阅读顺序的 Markdown核心模型仅 0.9B 参数单卡即可部署。表格、公式、多语言一页文档能解析出什么全要素输出而不只是逐行文字它输出的不是纯文本正文按阅读顺序转成 Markdown表格还原成结构化的行列公式与图表分别给出可编辑的结果。在 OmniDocBench v1.5 上它在整体、文本、公式、表格、阅读顺序五项均为 SOTA自测图表识别的成绩甚至超过部分 72B 级多模态模型。109 种语言的多语言 OCR 覆盖官方支持 109 种语言。除中英文、日文、韩文外还覆盖西里尔、阿拉伯、天城文等不同文字体系。其自测多语言评测中各文字体系下的编辑距离均为最低。手写文本与历史文档也在适配范围内README 中有明确说明。0.9B 参数到底省在哪架构上是 NaViT 风格视觉编码器加 ERNIE-4.5-0.3B 语言模型的组合推理开销远低于动辄数十亿参数的 VLM视觉语言模型。技术报告称其推理速度可达同类 VLM 的数倍显存占用低约七成演示条件下单卡约 30 页/秒。vLLM 与 flash-attn 加速均已获官方支持。动态分辨率文档为什么不能都裁成同一尺寸多数 VLM 把图片压成固定尺寸再输入文档页面被塞进同一个相框小字缩没了空白页白白占位。PaddleOCR-VL 改用 NaViT 风格动态分辨率预处理时把图像缩放进一个像素总量区间再按 14 像素的 patch 切块内容密集的区域分到更多 token稀疏区域更少。相当于相机按画面内容自动调整取景框。实现可以看 image_processing_paddleocr_vl.py 里的 smart_resize 函数。哪些任务可以放心交给它哪些还不行✅ 适合的任务整页文档解析论文、报表、合同等多栏混排输出 Markdown/JSON含表格结构与阅读顺序多语言混排、手写体、历史文档的批量识别已有 GPU 的私有化部署vLLM 服务加官方 pipeline单卡即可运行 目前做不到的transformers 调用路径只支持元素级识别文本/表格/图表/公式整页解析需走官方 pipeline视频流、实时交互式解析没有官方用法配置里预留了 video token但文档未提供对应说明极端模糊或重度损坏的扫描件评测集包含低质量样本但具体通过率官方暂未公开最小可复现路径先安装 PaddlePaddle再执行python -m pip install -U paddleocr[doc-parser]3.4.0 paddleocr doc_parser -i test.png --pipeline_version v1价值判断与值得跟进的方向在 0.9B 量级做到页面级文档解析的 SOTA它给出的信号是文档理解不必堆参数动态视觉编码加轻量语言模型的组合更划算。README 里明确计划让 transformers 路径支持整页解析这是最容易跟进的演进点。如果你的业务以表格和公式文档为主建议先用上面两条命令跑一遍自己的样张再评估是否替换现有 OCR 流程。【免费下载链接】PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B这是一款精简却功能强大的视觉语言模型VLM。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型可实现精准的元素识别。项目地址: https://ai.gitcode.com/paddlepaddle/PaddleOCR-VL创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考