就在刚刚，百度重磅开源了最强多模态文档理解模型：PaddleOCR-VL。 仅 0.9B 参数，刷新 OmniBenchDoc 纪录，登顶全球第一，四大核心能力实现全线了 SOTA，全面超越 GPT-4o、Gemini-2.5 Pro 以及 MinerU2.5、dots.ocr 等模型。

GitHub：github.com/PaddlePaddle/P 在 AI 时代，文档数据结构化的重要性不言而喻，但各类 OCR 工具的识别精度却参差不齐。 一些文档中存在复杂的表格、数学公式或多栏排版，传统 OCR 工具识别出来的内容经常错乱，最终还要手动整理。

PaddleOCR-VL 模型问世后，彻底解决了这一痛点。 作为文心 4.5 最强衍生模型，在全球权威评测榜单 OmniDocBench v1.5 中，以 92.6 高分取得综合性能全球第一的成绩，推理速度较 MinerU2.5 提升 14.2%，较 dots.ocr 提升 253.01%。

这次不再只是简单的文字识别，而是真的能 “读懂” 文档结构，无论是学术论文、多栏报刊还是技术报告，PaddleOCR-VL 都能智能理解文档布局，自动按正确顺序整理内容。 同时精准提取文档里的表格、数学公式、手写笔记、图表数据等复杂内容信息，并将它们转换为可直接使用的结构化数据。

除此之外，还支持 109 种语言识别，覆盖中文、英语、法语、日语、俄语、阿拉伯语、西班牙语等多语种场景，大幅提升了模型在多语言文档中的识别处理能力。 目前模型已经开源，并支持多种部署方式，还可以在 HuggingFace 上直接体验。 在线体验：huggingface.co/spaces/PaddleP

1. 0.9B参数轻量级刷新OmniBenchDoc纪录，综合性能92.6分全球第一

2. 四大能力突破：全面超越GPT-4o/Gemini-2.5 Pro等模型，推理速度较竞品提升14.2%-253%

3. 复杂文档解析：精准处理表格/公式/多栏排版，实现内容结构化输出

4. 多语言支持：覆盖109种语言识别

5. 开源可用：GitHub及HuggingFace