PaddleOCR-VL：0.9B 参数如何把整页文档解析成结构化 Markdown

PaddleOCR-VL：0.9B 参数如何把整页文档解析成结构化 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-VL

PaddleOCR-VL 瞄准的文档解析场景很具体：一份扫描合同里嵌着 20 行费率表，页尾还有几行计费公式。传统 OCR 把表格读成一堵文字墙，公式直接丢失，200 页人工回录要一整天。这个模型把整页解析成带表格结构和阅读顺序的 Markdown，核心模型仅 0.9B 参数，单卡即可部署。

表格、公式、多语言：一页文档能解析出什么

全要素输出，而不只是逐行文字

它输出的不是纯文本：正文按阅读顺序转成 Markdown，表格还原成结构化的行列，公式与图表分别给出可编辑的结果。在 OmniDocBench v1.5 上，它在整体、文本、公式、表格、阅读顺序五项均为 SOTA；自测图表识别的成绩甚至超过部分 72B 级多模态模型。

109 种语言的多语言 OCR 覆盖

官方支持 109 种语言。除中英文、日文、韩文外，还覆盖西里尔、阿拉伯、天城文等不同文字体系。其自测多语言评测中，各文字体系下的编辑距离均为最低。手写文本与历史文档也在适配范围内，README 中有明确说明。

0.9B 参数到底省在哪

架构上是 NaViT 风格视觉编码器加 ERNIE-4.5-0.3B 语言模型的组合，推理开销远低于动辄数十亿参数的 VLM（视觉语言模型）。技术报告称其推理速度可达同类 VLM 的数倍，显存占用低约七成；演示条件下单卡约 30 页/秒。vLLM 与 flash-attn 加速均已获官方支持。

动态分辨率：文档为什么不能都裁成同一尺寸

多数 VLM 把图片压成固定尺寸再输入，文档页面被塞进同一个"相框"：小字缩没了，空白页白白占位。PaddleOCR-VL 改用 NaViT 风格动态分辨率：预处理时把图像缩放进一个像素总量区间，再按 14 像素的 patch 切块，内容密集的区域分到更多 token，稀疏区域更少。相当于相机按画面内容自动调整取景框。实现可以看 image_processing_paddleocr_vl.py 里的 smart_resize 函数。

哪些任务可以放心交给它，哪些还不行

✅ 适合的任务：

1. 整页文档解析：论文、报表、合同等多栏混排，输出 Markdown/JSON，含表格结构与阅读顺序
2. 多语言混排、手写体、历史文档的批量识别
3. 已有 GPU 的私有化部署：vLLM 服务加官方 pipeline，单卡即可运行

🚫 目前做不到的：

1. transformers 调用路径只支持元素级识别（文本/表格/图表/公式），整页解析需走官方 pipeline
2. 视频流、实时交互式解析没有官方用法；配置里预留了 video token，但文档未提供对应说明
3. 极端模糊或重度损坏的扫描件：评测集包含低质量样本，但具体通过率官方暂未公开

最小可复现路径（先安装 PaddlePaddle，再执行）：

python -m pip install -U "paddleocr[doc-parser]>=3.4.0" paddleocr doc_parser -i test.png --pipeline_version v1

价值判断与值得跟进的方向

在 0.9B 量级做到页面级文档解析的 SOTA，它给出的信号是：文档理解不必堆参数，动态视觉编码加轻量语言模型的组合更划算。README 里明确计划让 transformers 路径支持整页解析，这是最容易跟进的演进点。如果你的业务以表格和公式文档为主，建议先用上面两条命令跑一遍自己的样张，再评估是否替换现有 OCR 流程。

【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