PaddleOCR 更新了，0.9B参数干翻一众大模型，94.5%准确率，百度这波赢麻了

Ai学习的老章

发布于 2026-02-03 17:50:10

5950

大家好，我是 Ai 学习的老章

关于 OCR 这个话题，我之前写过太多了：

本地部署 PaddleOCR，消费级显卡轻松跑，支持本地图片和 PDF 文件
DeepSeek 最新开源 OCR 模型，实测，不如百度
撸了一个 OCR 大模型对比工具：DeepSeekOCR、PaddleOCR 和混元 OCR
大模型 OCR 的黄金时代，腾讯开源混元 OCR，文档解析、视觉问答和翻译方面达到 SOTA
吴恩达最新公开课《文档 AI》，PaddleOCR 实战，笔记

刚刚，百度又放大招了！PaddleOCR-VL-1.5 正式发布，0.9B 参数干翻一众百亿级大模型，在 OmniDocBench v1.5 上达到 94.5% 准确率，直接刷新 SOTA。这让我不禁想起之前测试 DeepSeek-OCR 时的结论——"不如百度"，现在百度用新版本再次证明了自己。

简介

PaddleOCR-VL-1.5 是 PaddleOCR-VL 的下一代升级版本，主打一个"以小博大"。只有 0.9B 参数（没错，不到 1B），却在文档解析领域全面超越了一众开源和闭源大模型。

下图展示了 PaddleOCR-VL-1.5 的模型架构和多任务能力：

PaddleOCR-VL-1.5 模型架构与任务概览

这货最牛的地方是什么？它是基于 ERNIE-4.5-0.3B 微调的！百度把自家的 ERNIE 4.5 系列和 PaddleOCR 的工程经验结合起来，搞出了这么个小而美的怪物。

官方给它的定位是：Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing（面向真实场景的多任务 0.9B 视觉语言模型），翻译成人话就是——"别管你的文档有多烂、多歪、多糊，我都能给你认出来"。

核心指标一览，直接甩出成绩单：

PaddleOCR-VL-1.5 核心指标

核心能力一览：

94.5% 准确率：在 OmniDocBench v1.5 上刷新 SOTA，表格、公式、文本识别全面提升
真实场景鲁棒性：支持 5 种恶劣场景——扫描、倾斜、弯曲、屏幕拍摄、光照不均，统统 SOTA
多任务能力：新增 文本定位（Text Spotting） 和 印章识别（Seal Recognition），这两个能力在各自任务上也是 SOTA
多语言支持：除了中英文，还扩展了藏文和孟加拉语，生僻字、古籍、下划线、复选框全都能识别
长文档支持：自动跨页表格合并、跨页段落标题识别，再也不用担心 PDF 被切得七零八落

亮点

PaddleOCR-VL-1.5 证明了工程能力 + 场景理解 > 单纯堆参数：

不追求大模型：0.9B 参数就够用，能在消费级显卡上流畅运行
聚焦真实场景：专门针对扫描件、倾斜、弯曲等常见问题做优化
多任务整合：OCR、表格、公式、印章、图表一个模型全搞定
开放生态：支持 PaddlePaddle、vLLM、Transformers 多种推理方式

安装

安装方式非常简单，官方提供了 pip 一键安装：

# 安装 PaddlePaddle（CUDA 12.6 版本）
python -m pip install paddlepaddle-gpu==3.2.1 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

# 安装 PaddleOCR
python -m pip install -U "paddleocr[doc-parser]"

注意：需要 PaddlePaddle 3.2.1 及以上版本。macOS 用户建议使用 Docker 环境。

使用

PaddleOCR-VL-1.5 提供了三种使用方式，覆盖从入门到进阶的全场景需求。

方式一：命令行直接用

最简单的方式，一行命令搞定：

paddleocr doc_parser -i your_document.png

支持本地图片、PDF 文件，甚至网络图片 URL。

方式二：Python API

更灵活的调用方式：

from paddleocr import PaddleOCRVL

pipeline = PaddleOCRVL()
output = pipeline.predict("your_document.png")

for res in output:
    res.print()                        # 打印结果
    res.save_to_json(save_path="output")      # 保存为 JSON
    res.save_to_markdown(save_path="output")  # 保存为 Markdown

方式三：vLLM 高性能推理

需要高并发场景？可以用 Docker 启动 vLLM 服务：

docker run \
    --rm \
    --gpus all \
    --network host \
    ccr-2vdh3abv-pub.cnc.bj.baidubce.com/paddlepaddle/paddleocr-genai-vllm-server:latest-nvidia-gpu \
    paddleocr genai_server --model_name PaddleOCR-VL-1.5-0.9B --host 0.0.0.0 --port 8080 --backend vllm

然后通过 API 调用：

from paddleocr import PaddleOCRVL

pipeline = PaddleOCRVL(
    vl_rec_backend="vllm-server", 
    vl_rec_server_url="http://127.0.0.1:8080/v1"
)
output = pipeline.predict("your_document.png")

方式四：Transformers 直接加载

如果你更习惯 Hugging Face 的生态，也可以用 transformers 直接推理：

from PIL import Image
import torch
from transformers import AutoProcessor, AutoModelForImageTextToText

model_path = "PaddlePaddle/PaddleOCR-VL-1.5"
image = Image.open("test.png").convert("RGB")

model = AutoModelForImageTextToText.from_pretrained(
    model_path, 
    torch_dtype=torch.bfloat16
).to("cuda").eval()

processor = AutoProcessor.from_pretrained(model_path)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "OCR:"},  # 可选：'Table Recognition:', 'Formula Recognition:', 'Spotting:', 'Seal Recognition:'
        ]
    }
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=512)
result = processor.decode(outputs[0][inputs["input_ids"].shape[-1]:-1])
print(result)

注意：需要 transformers v5.0.0 及以上版本。