PaddleOCR-VL-1.6 技术解析0.9B 超紧凑 VLM 在 OmniDocBench v1.6 上的文档解析实践PaddleOCR 项目【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100 languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCRPaddleOCR-VL-1.6 是 PaddleOCR 项目文档解析系列PaddleOCR-VL的最新版本以仅 0.9B 参数的超紧凑视觉语言模型VLM在 OmniDocBench v1.6 上取得 96.33% 的 SOTA 结果并在扫描、扭曲、倾斜、屏摄、光照五个真实场景的 Real5-OmniDocBench 基准上全面领先。本文围绕该模型的性能指标、技术架构、基准评测结论与能力边界展开并结合仓库中的 PaddleOCR-VL 使用教程 与 PaddleOCRVL 源码实现给出从 CLI 到 Python API 的完整上手路径帮助你直接落地使用。1. PaddleOCR-VL-1.6 概览与核心指标PaddleOCR-VL-1.6 在 PaddleOCR-VL-1.5 的基础上进一步优化通过系统分析当前模型中的欠优化区域、进行针对性数据优化、并采用精细化的后训练策略在文档解析基准 OmniDocBench v1.6 上取得 96.33% 的最新 SOTA 结果同时在面向真实世界物理畸变鲁棒性的 Real5-OmniDocBench 基准测试中于各个场景均达到 SOTA 性能。在印章识别、文字检测识别text spotting和图表识别三个子任务上PaddleOCR-VL-1.6 均领先 PaddleOCR-VL-1.5同时保持 0.9B 超紧凑 VLM 参数量和高效率。核心特性文档解析 SOTA 性能凭借 0.9B 的参数量PaddleOCR-VL-1.6 在 OmniDocBench v1.6 上达到 96.33% 的准确率超越上一代 SOTA 模型 PaddleOCR-VL-1.5其在 OmniDocBench v1.5 上为 94.5%尤其在表格、公式和文本识别方面提升显著。真实五大场景文档解析 SOTA 性能在扫描Scanning、弯曲/扭曲Warping、倾斜Skew、屏摄Screen-photography和光照变化Illumination五个真实扰动场景的评估中表现优于主流开源和闭源模型具备更强的鲁棒性和真实场景实用性。强化多元素识别能力除版面解析能力提升外PaddleOCR-VL-1.6 大幅增强了对复杂表格、古籍和生僻字的识别能力同时进一步提升了图表解析、印章识别、文字检测识别三项既有能力。0.9B 紧凑架构沿用 PaddleOCR-VL 系列的 0.9B 紧凑架构与 PaddleOCR-VL-1.5 完全一致支持零成本适配、即换即用drop-in replacement。需要说明的是PaddleOCR-VL-1.6 指完整的文档解析产线Pipeline其中 VLM 组件为PaddleOCR-VL-1.6-0.9B。从仓库源码 paddleocr_vl.py 可以看到PaddleOCRVL对象通过pipeline_version可选v1、v1.5、v1.6默认v1.6映射到对应的 PaddleX 产线名称PaddleOCR-VL/PaddleOCR-VL-1.5/PaddleOCR-VL-1.6。2. 技术架构数据引擎 渐进式后训练PaddleOCR-VL-1.6 的技术架构围绕两大核心展开数据引擎以 PaddleOCR-VL-1.5 为出发点系统性定位其欠优化区域设计高质量标签获取策略并进行针对性的数据优化。渐进式后训练策略从质量、难度、提升价值三个角度精细化划分数据加载 PaddleOCR-VL-1.5 训练权重结合不同数据质量执行三阶段后训练——继续预训练Continued Pre-training、监督微调SFT、强化学习RL稳步提升模型性能。在模型组成上PaddleOCR-VL 系列的初代版本v1即确立了基础架构核心组件为 PaddleOCR-VL-0.9B由 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型组成支持 109 种语言详见 PaddleOCR-VL 介绍。PaddleOCR-VL-1.6 延续该 0.9B 紧凑架构因此在部署形态、显存占用与推理路径上与 1.5 保持兼容。3. 模型性能评测3.1 OmniDocBench v1.6PaddleOCR-VL-1.6 在 OmniDocBench v1.6 上的整体指标、文本、公式、表格均达到最先进的性能在**阅读顺序reading order**方面也取得了较为领先的指标。其中 96.33% 的总体精度是本文档给出的核心 SOTA 数字显著超越 PaddleOCR-VL-1.5 在 OmniDocBench v1.5 上的 94.5%。性能指标引自 OmniDocBench 官方排行榜。3.2 Real5-OmniDocBenchReal5-OmniDocBench 是 PaddleOCR 团队基于 OmniDocBench v1.5 数据集构建的、面向真实场景的全新基准包含五个场景扫描Scanning、扭曲Warping、屏摄Screen-photography、光照Illumination和倾斜Skew。PaddleOCR-VL-1.6 在这五个多样化且具挑战性的场景中均创下新的 SOTA 记录说明其在物理畸变场景下的鲁棒性明显优于上一代。4. 推理与部署性能PaddleOCR-VL-1.6 与 PaddleOCR-VL-1.5 采用完全相同的模型架构设计因此具有完全相同的推理速度。PaddleOCR-VL-1.5 的推理速度说明可参考 PaddleOCR-VL-1.5 推理速度。这意味着如果你当前部署的是 PaddleOCR-VL-1.5升级到 1.6 不会带来任何推理延迟的额外开销同时可以获得精度与多元素识别能力的提升这正是零成本适配、即换即用的落地价值所在。5. 能力增强与可视化对比PaddleOCR-VL-1.6 相对 PaddleOCR-VL-1.5 的增强效果覆盖以下典型场景原文以对比可视化形式呈现古籍识别Ancient Book Recognition对竖排、繁体、异体字的古籍页面识别能力大幅提升图表解析Chart Parsing柱状图、折线图、饼图等常见图表的数据提取更准确公式识别Formula Recognition复杂公式的 LaTeX/结构还原更稳定生僻字识别Rare Chinese Character Recognition生僻字、罕用字识别能力增强印章识别Seal Recognition圆形、异形印章中的文字识别能力增强表格识别Table Recognition复杂表格合并单元格、无边框等的结构还原更完整。从使用角度图表解析与印章识别默认处于关闭状态需要显式开启use_chart_recognitionTrue与use_seal_recognitionTrue详见下文参数说明。6. 在 PaddleOCR 中使用 PaddleOCR-VL-1.6PaddleOCR 为 PaddleOCR-VL 系列模型提供统一接口。完整的 PaddleOCR-VL 流程由版面分析 VLM 识别两个核心阶段组成第一阶段以整图输入检测定位版面元素表格、公式等并确定阅读顺序、裁剪元素子图第二阶段将每个子图独立输入 VLM 生成识别结果如 Markdown再按阅读顺序合并为整页解析结果。因此必须使用完整流程而不能仅单独调用 VLM 组件。6.1 环境准备推荐使用官方 Docker 镜像要求 Docker 19.03、GPU 且 NVIDIA 驱动支持 CUDA 12.6 以上docker run \ -it \ --gpus all \ --network host \ --user root \ ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddleocr-vl:latest-nvidia-gpu \ /bin/bash手动安装路径Python 3.9–3.13建议虚拟环境先安装 PaddlePaddle 3.2.1注意 CPU/GPU 版本不可同时安装再安装基础包python -m pip install -U paddleocr[doc-parser]6.2 CLI 命令行体验# NVIDIA GPU首次运行会自动下载官方模型 paddleocr doc_parser -i https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/paddleocr_vl_demo.png --save_path ./output # 指定文档方向分类 / 文本图像矫正 / 版面分析开关 paddleocr doc_parser -i input --use_doc_orientation_classify True --save_path ./output paddleocr doc_parser -i input --use_doc_unwarping True --save_path ./output paddleocr doc_parser -i input --use_layout_detection False --save_path ./output # 切换到 transformers 引擎 paddleocr doc_parser -i input --engine transformers --save_path ./output从源码 paddleocr_vl.py 可知doc_parser子命令支持--pipeline_version默认v1.6可选v1/v1.5/v1.6、--vl_rec_backendnative、vllm-server、sglang-server、fastdeploy-server、mlx-vlm-server、llama-cpp-server、--use_chart_recognition、--use_seal_recognition、--vl_rec_server_url等参数。6.3 Python API 集成from pathlib import Path from paddleocr import PaddleOCRVL output_dir Path(./output) output_dir.mkdir(parentsTrue, exist_okTrue) # 默认 pipeline_versionv1.6即使用 PaddleOCR-VL-1.6 产线 pipeline PaddleOCRVL() # 可选pipeline PaddleOCRVL(use_doc_orientation_classifyTrue) # 可选pipeline PaddleOCRVL(use_chart_recognitionTrue) # 开启图表解析 # 可选pipeline PaddleOCRVL(use_seal_recognitionTrue) # 开启印章识别 # 可选pipeline PaddleOCRVL(use_layout_detectionFalse) # 关闭版面分析纯 VLM 模式 # 可选pipeline PaddleOCRVL(enginetransformers) output pipeline.predict(https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/paddleocr_vl_demo.png) for res in output: res.print() # 打印结构化输出 res.save_to_json(save_pathoutput_dir) # 保存 JSON res.save_to_markdown(save_pathoutput_dir) # 保存 Markdown res.save_to_word(save_pathoutput_dir) # 保存 Word多页 PDF 场景下可通过restructure_pages完成跨页表格合并、多级标题重建与多页结果合并output pipeline.predict(input./your_pdf_file.pdf) pages_res list(output) output pipeline.restructure_pages( pages_res, merge_tablesTrue, # 合并跨页表格 relevel_titlesTrue, # 重建多级标题 concatenate_pagesFalse, # 是否合并多页结果为一页 )6.4 关键参数速查参数含义默认值pipeline_version产线版本可选v1/v1.5/v1.6v1.6use_layout_detection是否使用版面分析模块Trueuse_doc_orientation_classify是否使用文档方向分类模块Falseuse_doc_unwarping是否使用文本图像矫正模块Falseuse_chart_recognition是否开启图表解析功能Falseuse_seal_recognition是否开启印章识别功能Falseuse_ocr_for_image_block是否识别图片中的文字Falseformat_block_content是否将 block_content 格式化为 MarkdownFalsemerge_layout_blocks是否合并跨栏/交错分栏的检测框Truelayout_shape_mode版面几何形状模式rect/quad/poly/autoautomarkdown_ignore_labelsMarkdown 中忽略的版面标签[number,footnote,header,header_image,footer,footer_image,aside_text]use_queues是否启用多线程异步队列PDF 渲染、版面分析、VLM 推理流水线并行Truevl_rec_backendVLM 推理后端含vllm-server等推理服务None本地推理vl_rec_server_urlVLM 推理服务地址Nonetemperature/top_p/repetition_penaltyVLM 采样参数Nonemin_pixels/max_pixelsVLM 图像预处理的最小/最大像素数Nonemax_new_tokensVLM 生成的最大 token 数None6.5 接入 VLM 推理服务生产环境推荐本地直推适合快速验证生产环境建议将 VLM 推理交给专用服务vLLM / SGLang / FastDeploy / MLX-VLM / llama.cpp客户端仅负责版面分析等其余环节。启动服务后客户端通过后端参数接入# CLI 方式 paddleocr doc_parser \ --input https://paddle-model-ecology.bj.bcebos.com/paddlex/imgs/demo_image/paddleocr_vl_demo.png \ --vl_rec_backend vllm-server \ --vl_rec_server_url http://localhost:8118/v1 \ --vl_rec_api_model_name PaddlePaddle/PaddleOCR-VL-1.6 \ --vl_rec_api_key xxxxxx# Python API 方式 pipeline PaddleOCRVL( vl_rec_backendvllm-server, vl_rec_server_urlhttp://localhost:8118/v1, vl_rec_api_model_namePaddlePaddle/PaddleOCR-VL-1.6, )并发性能可通过vl_rec_max_concurrency客户端或服务端配置gpu-memory-utilization、max-num-seqs等参数调整。服务化部署Docker Compose 或paddlex --serve --pipeline PaddleOCR-VL的完整细节见 PaddleOCR-VL 使用教程。7. 与 PaddleOCR-VL 系列的关系与迁移版本核心基准成绩关键新增能力迁移方式PaddleOCR-VLv1OmniDocBench v1.5 SOTA0.9B VLM109 语言页面级/元素级文档解析—PaddleOCR-VL-1.5OmniDocBench v1.5 94.5%异形框定位、印章识别、text spotting、跨页表格合并参考 PaddleOCR-VL-1.5PaddleOCR-VL-1.6OmniDocBench v1.6 96.33%Real5-OmniDocBench 全场景 SOTA复杂表格、古籍、生僻字强化图表/印章/spotting 再提升与 1.5 架构完全一致零成本迁移从源码层面看PaddleOCRVL(pipeline_versionv1.6)即可切换到最新产线由于 1.6 与 1.5 架构完全一致推理速度不变部署形态、显存占用与既有调用代码均无需改动。如果你在真实业务中需要处理复杂表格、古籍、生僻字或存在物理畸变的扫描/拍摄文档PaddleOCR-VL-1.6 是 PaddleOCR 系列当前推荐的首选文档解析方案。8. 使用注意事项务必使用完整产线直接通过 Transformers 本地执行 VLM 组件或直接请求 vLLM/SGLang/FastDeploy 服务都不等同于完整的 PaddleOCR-VL 流程可能无法复现论文精度或出现大量幻觉文本。图表/印章识别默认关闭需要时显式设置use_chart_recognitionTrue、use_seal_recognitionTrue。推理性能与硬件PaddleOCR-VL-1.6 与 1.5 推理速度相同本地直推默认模型较大、推理较慢生产环境建议采用 VLM 推理服务 并发调优的方式。【免费下载链接】PaddleOCRTurn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between images/PDFs and LLMs. Supports 100 languages.项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleOCR创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考