百度刚刚发布了PaddleOCR-VL-1.5!

PaddleOCR-VL-1.5发布，这款仅900M参数的模型在处理真实世界的脏文档上实现了重大突破。它不仅解决了扫描件倾斜、变形、光照不足等常见难题，更在多个核心场景的基准测试中取得了顶尖成绩，为复杂文档识别提供了高效且实用的解决方案。

智能速览

• 模型体积极小，仅有0.9B参数。

• 强势解决真实世界的脏文档识别难题。

• OmniDocBench v1.5基准测试准确率达94.5%。

• 优化了阅读顺序识别，支持跨页表格合并。

• 在复杂场景下的泛化能力远超轻量级模型。

精华内容

一个仅有900M参数的模型，如何在“脏文档”识别这一难题上实现超越？PaddleOCR-VL-1.5并非简单的参数堆砌，而是在真实应用场景中，展现了惊人的泛化能力和识别精度。

脏文档终结者

此次更新的核心亮点，在于其强悍处理真实世界“脏脏”文档的能力。无论是经过多次复印的陈旧文件、拍摄角度倾斜的合同、发生物理形变的纸张，还是在光照不足环境下拍摄的屏幕截图，PaddleOCR-VL-1.5都能有效应对。

官方数据显示，在包含以上五种典型复杂场景的benchmark测试中，该模型全部取得了SOTA（State-of-the-art）的最佳成绩，意味着其在挑战性任务上的识别能力已经处于业界领先水平。

性能基准登顶

在权威的OmniDocBench v1.0基准测试更新至v1.5后，PaddleOCR-VL-1.5的准确率直接攀升至94.5%。这是一个非常惊人的数字，标志着其综合识别能力已接近人类水平。

相较于前代，新模型在表格识别、数学公式提取以及文本内容识别这三个核心维度上均有显著提升。这一进步直接体现在了对复杂版式文档的整体理解精度上，使得后续的信息处理更为可靠。

体验细节升级

针对用户在实际使用中反馈的痛点，新版本做出了精准优化。其中，阅读顺序的识别逻辑得到重点改善。过往版本在遇到换行截断段落时，可能无法正确还原语义连续性，而新版能智能地将分散的文本块合并成完整段落。

此外，新增的跨页表格自动合并功能，解决了多页报表识别后数据割裂的问题，极大提升了长文档处理的效率与连贯性。

小体积大能量

值得注意的是，实现上述所有强大功能的模型体量，仅为0.9B，即900M。这打破了“大模型才能办大事”的固有印象。有观点将其与仅几十MB的YOLO模型对比，认为在处理干净、规整的印刷体图片时，轻量级模型尚可一战。

但关键区别在于泛化能力。一旦面对污损、扭曲、光照不足等非理想场景，YOLO这类模型的性能便会急剧下降，而PaddleOCR-VL-1.5凭借其出色的泛化能力，依然能保持高水准的识别准确率，这才是其在实际应用中真正的核心竞争力所在。

PaddleOCR-VL-1.5以其在真实场景下的卓越表现，证明了小模型同样能在专业领域解决复杂问题。它不仅是一款识别工具，更像是针对文档数字化痛点的高效方案。这种以用户需求为导向的迭代思路，是否预示着未来更多实用型AI模型的诞生？