共计 4447 个字符，预计需要花费 12 分钟才能阅读完成。
你好，我是袋鼠帝
今天，百度悄悄发布并 开源了一款多模态文档解析模型：PaddleOCR-VL。
我看的第一眼，注意力全被它的参数量吸引了，0.9B。
这么小的参数量，意味着它对算力的要求极低，我感觉扔到手机上都能跑得动。
这对于很多想在本地环境，或者资源受限的设备上玩 AI 的朋友来说，简直是福音。
我之前做过不少 AI 知识库的业务，也用过很多 OCR 工具，那些 OCR 或多或少都会有一些问题。
要么出现阅读顺序混乱。在处理多栏排版的报纸、论文或杂志的时候，会把不同区块的文字拼接在一起，导致提取出的内容逻辑不通，就没法用。
要么表格解析一塌糊涂。一个清清楚楚的表格，它能给你识别成一堆丢掉结构的零散文字，还得你手动去重新整理。
另外就是 公式识别，经常把各种数学公式，识别成一堆无意义的乱码。。。
现在，对于任何一个新出的 OCR 工具，我都是抱着期待又怀疑的态度。
于是，我很快就上手试用了 PaddleOCR-VL。
没想到，这个 0.9B 的小鼻嘎，还挺不错。
比如我找了一张 9 月开的发票，上传给它识别
结果，它完成的相当不错，不仅精准识别了上面的文字、数字，还给我输出了一个表格。
像这种双语合同也是轻松识别
我又找了一些一些柱状图、折线图让它识别：
他竟然能 识别出图表数据的关联关系，并转成一个 markdown 格式的数据
这两个小测试，瞬间就勾起了我的兴趣。我决定，得再给它上上强度。
不过在这之前，还是 先给大家介绍一下PaddleOCR-VL 到底是个啥？
我查了一下：
这款模型，来自百度飞桨的 PaddleOCR 团队。
这个团队，在 OCR 领域，相当强劲。
他们的PaddleOCR 开源项目，在 GitHub 上是中国唯一一个 Star 数超过 50k 的 OCR 项目（现在 57.2K 了），累计下载量超 900 万，被超过 5.9k 开源项目直接或间接使用，绝对是业内的老大哥。
https://github.com/PaddlePaddle/PaddleOCR
这次的 PaddleOCR-VL，可以看作是他们把 OCR 技术和最新的大模型能力结合起来的产物。
PaddleOCR-VL 基于 ERNIE-4.5-0.3B 的语言模型训练而来，是文心 4.5 的最强衍生模型。
在 最新的 OmniDocBench V1.5 这个国际权威榜单上，直接屠榜了。
把 GPT-4o，Gemini-2.5 Pro 这些国际大厂的顶级多模态模型，都甩在了后面。
在 文本识别，公式识别，表格理解，阅读顺序 这四个 OCR 的核心能力上，也全部拿了第一。
OmniDocBench V1.5 是目前国际上最系统、最具代表性的文档视觉语言理解基准之一，由 OpenDataLab 联合清华大学、阿里达摩院、上海人工智能实验室等多家机构共同建设。
覆盖了学术论文、财务报表、手写笔记等九大类真实世界里最复杂的文档场景，是目前行业里公认最全面、最难的文档理解评测基准之一
像 GPT-4o、Gemini-2.5 Pro、Qwen2.5-VL 这些国际主流的顶级模型，都把它作为官方的评测标准，来证明自己的文档处理能力。
昨晚才发布，今天 PaddleOCR-VL 就拿下了 HuggingFace Trending 全球第一
我觉得完全可以用它来拯救那些本地 Agent 的视觉能力。
以及解决本地 AI 知识库难以有效果处理多模态文件的问题。
而且这个成本是非常低的。
地址汇总 (方便大家直达)：
huggingface：
https://huggingface.co/PaddlePaddle/PaddleOCR-VL
技术博客:
https://ernie.baidu.com/blog/zh/posts/paddleocr-vl/
技术报告：
https://arxiv.org/pdf/2510.14528
huggingface 体验地址：
https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo
官方体验地址：
https://aistudio.baidu.com/application/detail/98365
不过，是骡子是马，还得拉出来遛遛才知道。
目前 PaddleOCR-VL 可以在 官方的飞桨 AI Studio 里直接体验：
https://aistudio.baidu.com/application/detail/98365
>/ 医疗检测报告识别
我去年服务过一些医疗行业的客户（定制知识库和 Agent），他们最大的痛点之一，就是如何让 AI 准确地识别和理解各种各样，格式五花八门的医院报告单。
当时我们用的是 GPT-4o，但说实话，效果非常一般，经常出现识别错误和遗漏。
这个场景，绝对是刚需中的刚需。
我找了一张非常典型的检验报告单，这上面密密麻麻的检测结果是很多视觉模型的噩梦。
下面是PaddleOCR-VL 识别的检测结果
它把所有的项目和数值都准确地提取了出来，同时生成了表格的结构，更加清晰了。
而且 非常稳定，试了很多次，每次提取的结果都不会变。
很多时候，稳定才是生产力
这个能力，对于医疗 Agent 的下游，比如报告解读，健康建议等，是至关重要的第一步。
>/ 古籍文字识别
为了考验它的文字识别能力，找了 2 张古籍的竖排版照片，而且是从右到左，从上到下的阅读顺序。
还是不错的，识别完全正确～
为了客观起见，我就突然想看看 GPT5 能不能搞定它。
有意思的是，GPT5 直接弃权了。。。
并向我推荐了百度开源的 PaddleOCR（前面说的 57K Star 的项目）
完整对话这里看：
https://chatgpt.com/share/68f0e50b-c468-8001-95ad-c095edf9f28f
/> 复杂数学公式识别
复杂数学公式也一直是 OCR 领域的一大难题。
今年高考那段时间，我写了一篇DeepSeek R1 参加数学高考的文章
那会儿高考都还没结束，网上搜到的数学考卷全是图片（没有文本）
本来我是打算搞个 n8n 工作流，全自动的让多个大模型参加高考，并自动打分。
结果搞了老半天，就栽在 OCR 这里，我记得我当时试了一堆多模态大模型 API（包括 GPT4o），效果都不理想，在大题那里老是把各种公式识别错误，，，直接进行不下去了。
你知道，抢热点需要非常迅速，所以我果断放弃了 n8n 的方案，采用了最原始的手动跑，所以就只测了 DeepSeek R1 这一个模型。
这次必须用PaddleOCR-VL 试试
我找到了当时准备的高考数学试卷图片
公式识别的相当准确
查看 markdown 的源文件，可以看到它是 把这些公式识别并转为了 LaTeX，这样丢给大模型去做题，他们也能轻松看懂这个公式。
对于那种带图的大题，它是这样识别的，它把图片转成了 base64 放在了 markdown 的源文件里面。
而这个 markdown 格式的带 Base64 图片的题，也可以直接发送给大模型做，完全满足我当时的需求。
/> 化身「孤独的美食家」，轻松识别国外菜单
前段时间特别喜欢看《孤独的美食家》，吃饭的时候看，超级下饭～
我找了一张《孤独的美食家》里五叔吃过的饭店的菜单照片，还是多语菜单。
识别效果如下
看来PaddleOCR-VL 的多语识别能力也不错。
>/ 识别图表
另外，它还可以识别一些图表，并转化为 markdown 格式的数据
这个功能是绝对的刚需，之前用过的一些 OCR 根本就不支持图表识别，或者说它们只知道把图表里面的字识别一下，根本不知道当中的关联关系。
>/ 识别表格类图片
表格类的图片就更不用说了
我的 28 条公众号文章数据表格截图，它可以轻松拿捏，把里面内容完整的识别成了一个规整的 markdown 表格。
其实 我更看重的，是它 0.9B 这个参数量，带来的离线能力。
我之前接触过的一些国企客户，他们对数据安全的要求，是刻在骨子里的。
他们需要所有的 AI 能力，都能在自己的内网服务器上运行，绝对不能和公网有任何接触。
但他们又没有足够的算力预算，去部署那些动辄几百亿参数的庞然大物。
PaddleOCR-VL 这种高性能的小模型，对于他们来说，就是绝对的刚需。
想象一下这些场景。
比如一个法务团队，需要审查上百份高度机密的商业合同。
他们可以把 PaddleOCR-VL 部署在内部服务器上，结合本地 Agent，就能在完全断网的环境下，快速地提取所有合同的关键条款，进行比对和分析。
一个电力巡检工人，在深山里作业，网络信号非常差。
他可以用一个搭载了 PaddleOCR-VL 的平板电脑，对着设备上的仪表盘和工单拍照，AI 在本地就能立刻完成识别和数据结构化，等回到有网络的地方再同步上传。
另外，还可以把 PaddleOCR-VL，作为本地知识库平台（比如 fastgpt）的视觉模型。
让我们的私有化知识库，也能方便的处理多模态数据。
可以试着把图片理解模型换成本地的PaddleOCR-VL
当使用的所有模型，和知识库都能离线运行时，才是完全本地化的 AI 知识库（私密性极高）
简单来说，仅有 0.9B 参数的 PaddleOCR-VL 之所以强大，源于一个非常聪明的设计：将复杂的文档解析任务分解为两个阶段：
第一步，先用一个轻量级的模型，PP-DocLayoutV2，去快速地扫描整个文档，把里面的文本块，表格，公式这些元素，一个个地框出来，并规划好正确的阅读顺序。
第二步，再把这些框出来的，一个个的小图片块，批量地，并行地，送给一个专门负责精读的 PaddleOCR-VL-0.9B 视觉语言模型，去识别里面的具体内容。
最后，轻量级后处理模块聚合两阶段输出，并将最终文档格式化为结构化的 Markdown 和 JSON。
这种先分后治的流水线作业模式，既保证了版面分析的准确性和稳定性，又极大地提升了识别的效率和速度。
它不像很多大模型那样，试图用一个模型，一口气吃成个胖子，同时完成版面分析和内容识别。这种搞法，虽然简单，但速度慢，成本高，还容易出错。
「最后」
体验下来，我对 PaddleOCR-VL 的感受是，务实，而且潜力巨大。
虽然它只有 0.9B，但在文档解析这个专业领域，它的能力，确实强劲。
你给它输入图片或 PDF，它给你输出结构化的 Markdown 或 Json 数据。
对，它其实是支持解析 PDF 的，不过线上 demo 还没支持（目前只支持上传图片），感兴趣的朋友可以安装到本地试试。
如果这篇阅读量超过 8000，下篇教大家怎么本地部署，怎么把它接入 fastgpt、n8n，拯救本地知识库和 Agent。
把它强大的文档解析能力，集成到你自己的应用里。比如，你可以把它接入 FastGPT，在创建知识库的时候，图片理解模型就选择 PaddleOCR-VL。
后续官方可能也会推出 MCP 的使用方式，让它可以更方便地被各种本地 Agent 调用。
总的来说，我觉得 PaddleOCR-VL 的开源，为所有需要处理复杂文档的个人和企业，都提供了一个前所未有的，能在本地兼具性能和低成本的强大 OCR 工具。
值得一试～
能看到这里的都是凤毛麟角的存在！
如果觉得不错，随手点个赞、在看、转发三连吧~
如果想第一时间收到推送，也可以给我个星标⭐
谢谢你耐心看完我的文章~
<