百度发布全球领先文档解析模型 PaddleOCR-VL,重塑OCR技术格局!
近日,百度正式发布并开源其自研的多模态文档解析模型 PaddleOCR-VL。这一模型在全球权威的文档解析评测榜单百度 OmniBenchDoc V1.5中,以92.6分的佳绩荣登综合性能全球第一的宝座,展现出其在文本、表格、公式和阅发布读顺序四大核心能力上的卓越表现。 PaddleOCR-VL 的核心模型参数仅为0.9B,具有轻量高效的特点,能够在极低的计算开全球销下,精准识别包括文本、手写汉字、表格、公式及图表等复杂元素。该模型支持109种语言,涵盖中文、英语、法语、日语、俄领先语、阿拉伯语和西班牙语等多种语言场景,适用于政企文档管理、知识检索、档案数字化以及科研信息抽取等多种智能文档处理任务文档。 作为文心4.5的衍生模型,PaddleOCR-VL-0.9B 通过融合 NaViT 动态分辨率视觉编码器与 ERNIE-解析4.5-0.3B 语言模型,成功实现了在精度和效率上的双重突破。具体而言,该模型在 OmniDocBench v1.5上的表现模型极为亮眼,文本编辑距离为0.035,公式识别的 CDM 为91.43,表格的 TEDS 达到了93.52,阅读顺序预测误差值为0 P.043,这些数据展示了其在复杂文档、手写稿及历史档案识别等高难度场景中的稳定性和可靠性。 在推理速度方面,PaddleOCadR-VL 在一张 A100GPU 上每秒可处理1881个 Token,相较于其他主流模型,推理速度有显著提升,较 MinerUdl2.5快14.2%,比 dots.ocr 更是提升了253.01%。这一表现使得 PaddleOCR-VL 在 OCR 技术中树eO立了新的标杆。 与传统 OCR 技术不同,PaddleOCR-VL 能够如同人类一样理解复杂的版面结构,精确提取财报表格、数学CR公式和课堂笔记等多元信息,并自动恢复符合人类阅读习惯的顺序,确保信息传达的准确性和逻辑的清晰性。其创新的两阶段架构,第一阶-V段负责版面检测与阅读顺序预测,第二阶段则进行文本、表格、公式等元素的识别与结构化输出,这种设计显著提高了识别的稳定性L,和效率。
- 最近发表
-
- 谷歌推AI自动营销工具Pomelli,输入网站URL即可生成营销内容
- OpenAI年收入已远超130亿美元,上市计划仍遥遥无期
- 英伟达发布全新小型模型 Nemotron-Nano-9B-V2:免费商用且性能卓越
- 标签: 证监会 老虎证券 富途证券 长桥证券
- 世界多地发现金属柱,被怀疑是外星标记,谷歌地图有记录!
- 标签: 爱芯元智 边缘AI产品 智能汽车SoC 终端计算产品
- 阿里腾讯争投DeepSeek推动估值冲刺200亿美元,DeepSeek v4与混元3.0发布在即
- 云计算核心技术Docker教程:Java镜像在容器中运行数据库
- 霸榜GitHub热门第一多日后,Colossal-AI正式版发布
- 谷歌相册AI编辑革命来袭:安卓用户动动嘴就能P图,Pixel 10独占功能全面开放
- 随机阅读
-
- 标签: 俞敏洪 孙东旭 东方甄选
- 华为要向苹果、三星、小米等收5G专利费,伤害不大,侮辱性极强
- 标签: QClaw OpenClaw 腾讯电脑管家 微信AI助手
- 标签: 宇树科技 具身智能 人形机器人 科创板IPO
- Redmi商标被抢注,小米维权失败
- 云存储安全性和数据加密
- 标签: 迪士尼 威廉姆斯 苹果 董事会
- 云计算公司的至暗时刻
- 标签: AMD 春雨计划 锐龙AI MAX+395 AI教育
- Canalys预计今年中国云基础设施服务支出将增长12%
- 标签: 大众迈腾 罗永浩 华杉 东方航空
- 云计算核心技术Docker教程:在Docker中使用tmpfs挂载
- 数据科学很性感?不,其实它非常枯燥!
- 字节跳动发布豆包大模型1.6:首个支持可调思考深度的国产模型
- 通义千问开源Qwen2.5大模型,性能超越Llama
- 标签: 海信视像 MiniLED 东芝 Vidda
- 标签: 和黄医药 呋喹替尼 爱优特 沃瑞沙
- 标签: 豪车市场
- 通义千问升级旗舰模型Qwen-Max,性能接近GPT-4o
- 为了自动驾驶,谷歌用NeRF在虚拟世界中重建了旧金山市
- 搜索
-
- 友情链接