什么值得买App下载 App ›
连续签到专享现金活动

PaddleOCR-VL-1.6发布:96.33%准确率刷新全球纪录,复杂文档识别稳了

2026年6月2日,百度文心大模型团队正式发布PaddleOCR-VL-1.6版本。该模型在权威文档解析评测基准OmniDocBench v1.6中取得96.33%的综合准确率,超越Gemini-3-Pro、GPT-5.2、MinerU-2.5-Pro及GLM-OCR等国内外主流大模型与专用OCR系统,刷新全球纪录,成为当前复杂文档识别领域的性能标杆。此次升级延续了0.9B参数的轻量化架构,在保持低资源消耗的同时,显著提升了对表格结构、古籍文字、生僻字、印章及图表等复杂元素的识别能力。123
01真实场景识别率达93.19%
除标准评测集外,PaddleOCR-VL-1.6在面向真实复杂场景构建的Real5-OmniDocBench评测中同样表现领先,综合指标达93.19%,较Gemini-3-Pro高出近4个百分点。该评测聚焦日常办公中常见的五类难题:扫描件噪点干扰、纸质文档弯折变形、手机屏幕拍照反光、光照不均以及文档倾斜。测试结果显示,新模型在上述所有场景下均保持稳定高精度输出,有效解决了传统OCR系统在非理想条件下频繁失效的问题。这意味着用户无需反复调整拍摄角度或重新扫描文档,即可获得可靠的文字提取结果。43
02核心能力全面升级
  • 支持跨页表格、嵌套表格及合并单元格的精准还原,结构完整度显著优于Tesseract等传统方案。
  • 通过语义校验与上下文建模,大幅降低形近字(如“己已巳”)误识率,错误率低于0.3%。
  • 新增专用Spotting模块,可准确定位并区分印章、签名、流程图等非文本元素,避免误识别为文字。
  • 单模型支持简中、繁中、英文、日文及拼音五种文字类型,并兼容手写体与印刷体混排场景。
上述能力提升源于模型驱动的数据构建机制与渐进式训练策略。研发团队通过合成与真实数据混合增强,针对性优化了模型在低质量输入下的鲁棒性。同时,PaddleOCR-VL-1.6继承了1.5版本的异形框定位技术,可准确处理歪斜、弯曲或不规则排版的文本区域,适用于手写笔记、海报、票据等多种非标准文档。45
03开发者可平滑迁移
PaddleOCR-VL-1.6与前代1.5版本采用一致的模型结构,已在生产环境中部署1.5版本的企业和开发者无需修改代码或重新适配,即可直接升级至1.6版本。此举大幅降低了技术迭代成本,确保现有OCR流水线无缝衔接新能力。目前,该模型代码及权重已同步开源至GitHub与Hugging Face,网页端API及PaddleOCR-VL-WEB私有化部署镜像也已上线官网,支持RTX 4090D等消费级显卡在15分钟内完成本地部署。实测显示,在27类真实难文档(含财报、技术手册、实验记录本等)上,语义级准确率达98.3%。637
04生态持续扩展
作为PaddleOCR 3.x系列的重要组成部分,VL-1.6进一步强化了文档智能(Document AI)能力。结合近期发布的PaddleOCR 3.5,系统现已支持将解析结果一键转换为Markdown或Word格式,并通过PaddleOCR.js实现浏览器端轻量调用。此外,新版本已融入Hugging Face生态,开发者可通过Transformers统一接口调用OCR模型,简化多框架集成流程。目前,PaddleOCR GitHub Star数已突破79.2K,成为全球最受欢迎的开源OCR项目,广泛应用于教育、金融、政务等行业的文档数字化场景。893

评论

评论区空态插画

当前文章无评论,是时候发表评论了