PaddleOCR-VL-1.5開源，新增文本定位與印章識別能力

始智AI wisemodel.cn社區(qū)是源自中國的中立開放的AI開源社區(qū)，始終堅持“中立、開放、共建、共創(chuàng)、合作”五項(xiàng)基本原則，歡迎加入共同成長。

2025年，PaddleOCR發(fā)布了多個文字識別和文檔解析模型工具，已經(jīng)被業(yè)界廣泛用于大模型訓(xùn)練數(shù)據(jù)和應(yīng)用數(shù)據(jù)構(gòu)建。其中僅0.9B的多模態(tài)文檔解析模型PaddleOCR-VL憑借優(yōu)異的產(chǎn)業(yè)級效果，穩(wěn)居OmniDocBench官方榜首（截止模型發(fā)布時）。與此同時，團(tuán)隊(duì)也收集到各行業(yè)對于PaddleOCR-VL的大量使用反饋，秉承快速響應(yīng)、持續(xù)進(jìn)化的理念，對用戶關(guān)心的效果問題做了重要升級，正式推出PaddleOCR-VL-1.5。PaddleOCR-VL-1.5不僅以94.5%精度大幅刷新了評測集OmniDocBench v1.5，更創(chuàng)新性地支持了異形框定位，在掃描、傾斜、彎折、屏幕拍攝及復(fù)雜光照等真實(shí)場景中均表現(xiàn)優(yōu)異。此外，模型還新增了印章識別與文本檢測識別能力，關(guān)鍵指標(biāo)持續(xù)領(lǐng)跑。

PaddleOCR-VL-1.5已與昆侖芯、沐曦股份、天數(shù)、海光?、昇騰、此芯科技、Intel、Arm、AMD等核心硬件廠商，以及百度智能云、國家超算互聯(lián)網(wǎng)平臺、硅基流動、九章智算云、魔搭社區(qū)、并行科技、Cherry Studio、Dify、Haystack、Novita AI 、PPIO、RAGFlow、Sophnet等平臺伙伴持續(xù)集成，方便用戶在不同硬件環(huán)境與平臺應(yīng)用中使用。PaddleOCR-VL-1.5已上線始智AI-wisemodel開源社區(qū)，歡迎大家前去體驗(yàn)。

模型地址

https://www.wisemodel.cn/models/PaddlePaddle/PaddleOCR-VL-1.5

01.

效果速覽

1.掃描場景

2.傾斜場景

3.光線變化場景

4.屏幕拍照場景

5.彎折場景

02.

核心指標(biāo)

1.OmniDocBench v1.5指標(biāo)

總指標(biāo)94.5%，領(lǐng)跑全球頂尖開源閉源模型。

2.Real5-OmniDocBench指標(biāo)

Real5-OmniDocBench是基于OmniDocBench v1.5自建的多場景文檔解析評估集合，涵蓋了掃描、彎折、屏幕拍照、光線變化、傾斜5大場景，PaddleOCR-VL-1.5總指標(biāo)92.05%，全面領(lǐng)先，總指標(biāo)領(lǐng)先第二名Gemini3 Pro近3個百分點(diǎn)。

03.

核心升級點(diǎn)

1.關(guān)鍵技術(shù)創(chuàng)新：創(chuàng)新性地支撐異形框定位，多場景精度SOTA

技術(shù)的實(shí)用性往往在復(fù)雜環(huán)境下見真章。面對現(xiàn)實(shí)中因拍攝角度、紙張彎折或傾斜而形成的非矩形布局，傳統(tǒng)的矩形框輸出難以實(shí)現(xiàn)精準(zhǔn)映射。為此，PaddleOCR-VL-1.5引入了多邊形異型框定位技術(shù)。針對掃描、傾斜、光線變化、屏幕拍照、彎折五大典型挑戰(zhàn)場景，模型能夠更加細(xì)膩地貼合文本、表格與公式的實(shí)際輪廓，提供更高質(zhì)量的位置輸出，能夠穩(wěn)定服務(wù)于多樣化的實(shí)際業(yè)務(wù)環(huán)境。這項(xiàng)能力助力了PaddleOCR-VL在多種真實(shí)場景的的精度實(shí)現(xiàn)SOTA性能。

2.落地關(guān)鍵能力升級：新增文本行定位/識別與印章識別能力

在基礎(chǔ)能力的持續(xù)打磨下，PaddleOCR-VL-1.5進(jìn)一步新增了文本行定位與識別及印章識別兩項(xiàng)核心能力。文檔的結(jié)構(gòu)化解析往往始于對文本行邏輯的精準(zhǔn)捕捉，其坐標(biāo)精度與內(nèi)容質(zhì)量是諸多行業(yè)下游應(yīng)用鏈路中不可或缺的底層支撐。而針對業(yè)界普遍面臨的印章識別難題，新版本通過專項(xiàng)優(yōu)化，有效緩解了復(fù)雜干擾下的解析瓶頸，旨在為各領(lǐng)域文檔處理的規(guī)模化落地掃清關(guān)鍵障礙。

文本行定位、識別能力

印章識別能力

3.特殊場景及多語種識別能力精進(jìn)

文檔解析的廣度則體現(xiàn)于對長尾場景的支持。針對特殊符號、古籍、多語種表格及帶有下劃線、復(fù)選框的復(fù)雜版面，PaddleOCR-VL-1.5進(jìn)行了針對性的算法精進(jìn)，使細(xì)微長尾元素的識別更具魯棒性。同時，模型進(jìn)一步擴(kuò)展了語種支持邊界，實(shí)現(xiàn)了對藏語與孟加拉語的解析。

特殊字符

特殊場景

多語種表格

4.跨頁表格自動合并與跨頁段落標(biāo)題識別支持

長文檔的邏輯重構(gòu)，核心在于消除物理分頁帶來的信息割裂。PaddleOCR-VL-1.5引入了跨頁表格自動合并與跨頁段落標(biāo)題識別能力，旨在重建文檔在空間跨度上的語義連貫性。通過精準(zhǔn)識別并關(guān)聯(lián)因分頁而截斷的表格與標(biāo)題，模型有效解決了長篇幅解析中的斷層現(xiàn)象。這種對文檔全局結(jié)構(gòu)的深度感知，不僅提升了信息的完整度，也為后續(xù)的語義理解與檢索提供了更具邏輯一致性的數(shù)據(jù)支撐。

跨頁表格合并

5.推理速度持續(xù)提升

推理速度是企業(yè)部署模型時尤為關(guān)注的關(guān)鍵指標(biāo)。依托于飛槳框架與FastDeploy端到端的深度優(yōu)化，PaddleOCR-VL-1.5推理速度顯著提升。在A100上以PDF文件進(jìn)行測試時，模型每秒可處理1.43個文檔頁，較上一代PaddleOCR-VL提速17%，也明顯優(yōu)于業(yè)界同類文檔解析模型。

04.

在線部署和使用

wisemodel提供了PaddleOCR-VL-1.5的鏡像，可以在wisemodel上一鍵部署使用。

編輯：成蘊(yùn)年

----- END -----

wisemodel相關(guān)：

系列模型：

關(guān)于wisemodel更多

1

歡迎持續(xù)關(guān)注和支持

開源社區(qū)建設(shè)需要長期堅持和投入，更需要廣大用戶的積極參與、貢獻(xiàn)和維護(hù)，歡迎大家加入wisemodel開源社區(qū)的志愿者計劃和開源共創(chuàng)計劃。期待更多開發(fā)者將開源成果，包括模型、數(shù)據(jù)集和代碼等發(fā)布到 wisemodel.cn 社區(qū)，共建中立、開放的AI開源社區(qū)生態(tài)。歡迎掃碼添加wisemodel微信，申請加入wisemodel社群，持續(xù)關(guān)注wisemodel.cn開源社區(qū)動態(tài)。

2

歡迎加盟wisemodel開源社區(qū)

3

歡迎投稿優(yōu)質(zhì)內(nèi)容

歡迎投稿分享人工智能領(lǐng)域相關(guān)的優(yōu)秀研究成果，鼓勵高校實(shí)驗(yàn)室、大企業(yè)研究團(tuán)隊(duì)、個人等，在wisemodel平臺上分享各類優(yōu)質(zhì)內(nèi)容，可以是AI領(lǐng)域最新論文解讀、最新開源成果介紹，也可以是關(guān)于AI技術(shù)實(shí)踐、應(yīng)用和總結(jié)等。投稿可以發(fā)郵件到liudaoquan@wisemodel.cn，也可以掃碼添加wisemodel微信。

4

關(guān)于wisemodel開源社區(qū)

始智AI wisemodel.cn開源社區(qū)由清華校友總會AI大數(shù)據(jù)專委會副秘書長劉道全創(chuàng)立，旨在打造和建設(shè)中立開放的AI開源創(chuàng)新社區(qū)，將打造成“HuggingFace”之外最活躍的AI開源社區(qū)，匯聚主要AI開源模型、數(shù)據(jù)集和代碼等，歡迎高?？蒲性核?、大型互聯(lián)網(wǎng)公司、創(chuàng)新創(chuàng)業(yè)企業(yè)、廣大個人開發(fā)者，以及政府部門、學(xué)會協(xié)會、聯(lián)盟、基金會等，還有投資機(jī)構(gòu)、科技媒體等，共同參與建設(shè)AI開源創(chuàng)新生態(tài)。

向上滑動查看