性能超越DeepSeek-OCR2，百度發(fā)布并開源新一代SOTA OCR模型

1月29日，百度正式發(fā)布并開源新一代文檔解析模型PaddleOCR-VL-1.5。該模型以僅0.9B參數(shù)的輕量架構(gòu)，在全球權(quán)威文檔解析評測榜單OmniDocBenchV1.5中取得全球綜合性能第一成績，整體精度達(dá)到94.5%，超過Gemini-3-Pro、DeepSeek-OCR2、Qwen3-VL-235B-A22B、GPT-5.2等模型。

值得關(guān)注的是，PaddleOCR-VL-1.5全球首次實現(xiàn)OCR模型的“異形框定位”能力，使機(jī)器能夠精準(zhǔn)識別傾斜、彎折、拍照畸變等非規(guī)則文檔形態(tài)，首次讓“歪文檔”實現(xiàn)穩(wěn)定、可規(guī)模化解析。該技術(shù)解決了傳統(tǒng)OCR模型在移動拍照、掃描件變形、復(fù)雜光照等真實場景中因文檔形變導(dǎo)致的識別失敗問題，可廣泛應(yīng)用于金融票據(jù)處理、檔案數(shù)字化、政務(wù)文檔流轉(zhuǎn)等場景。

PaddleOCR-VL-1.5基于文心大模型進(jìn)行開發(fā)，在OmniDocBenchV1.5多個關(guān)鍵指標(biāo)上取得領(lǐng)先表現(xiàn)。其中，表格結(jié)構(gòu)理解（92.8分）和閱讀順序預(yù)測（95.8分）兩項核心指標(biāo)上均位列第一，分別領(lǐng)先Gemini-3-Pro、DeepSeek-OCR等主流模型2–5分不等。在文檔閱讀順序預(yù)測任務(wù)中，其版面邏輯解析錯誤率僅為同類其他模型約一半。這表明，PaddleOCR-VL-1.5在復(fù)雜文檔結(jié)構(gòu)還原與版面邏輯理解方面具備更高穩(wěn)定性，在合同、財報等高復(fù)雜度業(yè)務(wù)場景中擁有更高可用性。

2025年10月16日，百度首次發(fā)布并開源PaddleOCR-VL模型，在OmniDocBenchV1.5榜單中取得全球SOTA成績，并連續(xù)五天登頂HuggingFace全球模型總趨勢榜與ModelScope全球模型總趨勢榜雙榜第一。

相比于上代，在功能層面，PaddleOCR-VL-1.5進(jìn)一步集成印章識別、文本檢測與識別等任務(wù)能力，關(guān)鍵指標(biāo)持續(xù)領(lǐng)跑；同時針對特殊場景與多語種識別進(jìn)行系統(tǒng)優(yōu)化，在生僻字、古籍文獻(xiàn)、多語種表格、下劃線與復(fù)選框等復(fù)雜結(jié)構(gòu)識別方面顯著提升，并新增對藏語、孟加拉語等語種的支持。模型還支持跨頁表格自動合并與跨頁段落標(biāo)題識別，有效解決長文檔解析中的結(jié)構(gòu)斷裂問題。

近半年來，全球主流模型廠商密集布局OCR領(lǐng)域。1月27日，深度求索發(fā)布新一代OCR模型DeepSeek-OCR-2，引入“因果流查詢”機(jī)制，并將語言模型融入視覺編碼，在OmniDocBenchV1.5中實現(xiàn)91.09%精度。與此同時，MistralAI、字節(jié)跳動、騰訊等企業(yè)也相繼推出新一代OCR模型，行業(yè)競爭持續(xù)加劇。

業(yè)內(nèi)分析認(rèn)為，隨著大模型加速進(jìn)入金融、政務(wù)、制造等高復(fù)雜度業(yè)務(wù)流程，文檔解析能力正從“能用”走向“穩(wěn)定可規(guī)模化落地”。PaddleOCR-VL-1.5在精度、復(fù)雜場景適應(yīng)性與工程化能力上的系統(tǒng)突破，有望進(jìn)一步降低產(chǎn)業(yè)應(yīng)用門檻，推動OCR技術(shù)在真實生產(chǎn)環(huán)境中的深度落地。

目前，PaddleOCR-VL-1.5已全面開源，開發(fā)者可通過GitHub、HuggingFace獲取，并在PaddleOCR官網(wǎng)進(jìn)行在線體驗或通過百度智能云千帆平臺調(diào)用API接口。