10月20日消息，百度10月16日開源的多語言文檔解析模型PaddleOCR-VL，連續三天霸榜Hugging Face趨勢榜第一。
PaddleOCR-VL能識別109種語言的文本、表格、公式和圖表等復雜元素，包括全球主要語言以及俄語、阿拉伯語和印地語等多種語言。在最新的用于評估現實場景中多樣化文檔解析性能的基準測試工具OmniDocBench榜單中，PaddleOCR-VL以92.6綜合得分拿下全球第一，并且在OmniDocBench v1.5、OmniDocBench v1.0均是第一。
PaddleOCR-VL在OmniDocBench v1.5上實現了整體、文本、公式、表格和閱讀順序的SOTA性能，在所有關鍵指標上均超越現有流水線工具、通用VLM和其他專用文檔解析模型。
論文中提到，PaddleOCR-VL在文檔解析任務中實現了最佳性能，其擅長識別復雜的文檔元素，例如文本、表格、公式和圖表，適用于手寫文本和歷史文檔等各種具有挑戰性的內容類型。
百度給出的官方手寫文本示例中，圖片中文字寫作相對規范，有較少不清晰文字，模型識別結果中錯誤較少。
▲手寫文本（左）、識別結果（右）
隨后智東西上傳了一張蘇軾手札，相對上面的圖片僅憑肉眼很難辨認清楚且有較多繁體字，模型的識別結果中錯誤較多。
▲手寫文本（上）、識別結果（左下）、古詩文網原文（右下）
該方案的核心組件PaddleOCR-VL 0.9B基于NaViT風格的視覺編碼器和ERNIE-4.5-0.3B語言模型構建，具有快速推理和低資源消耗的特點，適合實際部署。
在訓練數據方面，研究人員采用了開源數據集、合成數據集、網絡可訪問數據集和內部數據集。同時，其開發了高質量訓練數據構建流程，通過公共數據采集和數據合成收集了超過3000萬個訓練樣本，以基于專家模型的識別結果指導通用大型模型進行自動標注。