PaddleOCR-VL 指南0.9B 参数文档解析模型单卡每秒 30 页输出 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 是百度飞桨开源的文档解析模型核心是仅 0.9B 参数的视觉语言模型 PaddleOCR-VL-0.9B。它把扫描件、合同、论文里的文本、表格、公式、图表直接识别为结构化 Markdown 和 JSON适合需要批量处理多语言文档的开发者与企业用户。假设你手头有一份带复杂表格的日文合同。用传统 OCR文字能抠出来但表格结构、公式、图表信息基本丢失后处理还得人工补换用几十亿参数的大视觉语言模型识别是准了显存和推理成本却在线上扛不住。文档解析长期卡在这个中间地带要准确率就得堆参数要部署成本就得牺牲能力。PaddleOCR-VL 的做法是把参数量压到 0.9B同时保住复杂元素识别让单卡部署变成现实。️ 设计思路布局分析 元素识别的两阶段架构一句话定位一个 0.9B 的轻量化视觉语言模型配一个负责版面分析的小模型组成完整的文档解析管线。布局分析PP-DocLayoutV2 先定位区域第一级模型 PP-DocLayoutV2 负责版面分析定位正文、标题、表格、公式等语义区域并预测阅读顺序多栏排版也不会读乱。仓库中的 PP-DocLayoutV2/ 目录存放的就是这部分推理模型与配置。元素识别NaViT 动态分辨率 ERNIE-4.5-0.3BPaddleOCR-VL-0.9B 由两部分组成NaViT 风格的动态分辨率视觉编码器不把图片裁成固定尺寸而是按内容自适应处理表格、长公式能保留细节ERNIE-4.5-0.3B 语言模型负责生成识别结果。文本、表格、公式、图表四类元素走同一套识别逻辑手写体和历史文档也在支持范围内。结构化输出Markdown 与 JSON轻量的后处理模块汇总两级输出最终格式化为 Markdown 和 JSON 两种结构可直接接入 RAG 知识库或后续校验流程。 关键指标怎么看0.9B 参数、109 种语言、30 页/秒三个数字决定它值不值得试0.9B 参数意味着 bf16 精度下权重约 1.8 GB一块单卡就装得下109 种语言覆盖中英日韩以及阿拉伯语、印地语、泰语等主要文字体系参考资料给出的速度口径是单 GPU 加 vLLM 加速约 30 页/秒换算过来一本 300 页的文档 10 秒左右处理完。精度方面官方 README 声称在 OmniDocBench v1.5 上综合得分、文本、公式、表格和阅读顺序均达到现有方案的最佳水平图表识别甚至超过部分 72B 级多模态大模型。参考文章另给出表格结构还原 92.3%、公式 LaTeX 转换 89.7% 两项指标。指标数据说明参数量0.9Bbf16 权重约 1.8 GB单卡可部署语言支持109 种含中英日韩、阿拉伯语、印地语、泰语等单 GPU 推理速度vLLM 加速30 页/秒换算300 页文档约 10 秒处理完表格结构还原准确率92.3%参考文章口径公式 LaTeX 转换准确率89.7%参考文章口径 谁会用得上三类典型用户金融、法务的后台团队贷款申请、合同这类文档要批量处理。参考文章的例子是把材料处理时间从小时级压到分钟级表格结构识别完直接进下游校验不用人工重录。科研人员与教育场景论文里的公式转成 LaTeX 可直接引用排版图表数据提取出来可复用文献整理不再靠手动誊抄。做多语言内容管道的开发者109 种语言覆盖意味着一套工具链应付大多数语种文档不必每种语言单独维护一条 OCR 流水线。 怎么上手从安装到 vLLM 加速先装依赖以 GPU 版为例再拉取权重仓库pip install paddlepaddle-gpu3.2.1 pip install -U paddleocr[doc-parser]3.4.0 git clone https://gitcode.com/paddlepaddle/PaddleOCR-VL一条 CLI 命令即可解析paddleocr doc_parser -i 图片路径 --pipeline_version v1结果可保存为 Markdown 或 JSON。要更高吞吐可以起 vLLM 推理服务2025.11.04 起官方支持Docker 提供 paddleocr-genai-vllm-server 镜像客户端加--vl_rec_backend vllm-server指向服务地址即可transformers 也已开放 flash-attn 加速。只做元素级识别的话也能用 transformers 直接加载 PaddleOCR-VL-0.9B模型实现在 modeling_paddleocr_vl.py。如果你要在单卡或小集群上批量解析 PDF、合同和论文尤其是带表格、公式和多语言的内容PaddleOCR-VL 是目前参数量最小、值得优先实测的文档解析方案。【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