PaddleOCR-VL 是一款先进、高效的文档解析模型，专为文档中的元素识别设计。其核心组件为 PaddleOCR-VL-0.9B，这是一种紧凑而强大的视觉语言模型（VLM），它由 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，能够实现精准的元素识别。

PaddleOCR-VL覆盖多达109种语言，无论是中文、英文等主流语言，还是小语种，都能实现轻松处理。与其他同类模型相比，PaddleOCR-VL不仅识别效果更好，资源消耗也非常低，速度快，效率高。这款模型不仅得分高，还在文本识别、公式识别、表格理解、阅读顺序四大核心能力上全面拿下SOTA。

代码：https://github.com/PaddlePaddle/PaddleOCR

模型：https://www.modelscope.cn/models/PaddlePaddle/PaddleOCR-VL

技术报告：https://ernie.baidu.com/blog/publication/PaddleOCR-VL_Technical_Report.pdf

体验Demo：https://www.modelscope.cn/studios/PaddlePaddle/PaddleOCR-VL_Online_Demo

核心亮点

传统文档AI模型往往需要在速度与精度间进行权衡，而PaddleOCR-VL实现了二者的平衡。

• **动态视觉编码器：**采用NaViT风格架构，高效处理高分辨率图像；
• **轻量语言模型：**基于ERNIE-4.5–0.3B，提供优质语义理解能力；
• 文档解析的SOTA表现：PaddleOCR-VL在文档解析任务中取得最先进的性能。它在识别包含表格、公式和图表等元素的复杂文档方面表现优异，擅长手写文本与历史文档在内的多种挑战性内容类型；
• **支持109种语言的文字识别：**覆盖主要通用语言及多样书写体系（如俄语、阿拉伯语、印地语等），PaddleOCR-VL在多语种与全球化文档处理场景中具有广泛适用性。

技术架构

PaddleOCR-VL将复杂的文档解析任务分解为两个阶段。

阶段1：PP-DocLayoutV2，负责布局分析，定位语义区域并预测其阅读顺序。PP-DocLayoutV2结构由RT-DETR以及一个具有六个transformer层的轻量级指针网络，以准确预测布局元素的阅读顺序。

版式分析：RT-DETR结构

训练方法：版式分析（目标检测）初始化权重：PP-DocLayout_Plus-L，使用2w数据量训练100轮。阅读顺序：模型输出一个矩阵，表示任意两个元素之间的成对排序关系。