OCR 领域迎来重量级突破！百度正式开源 PaddleOCR-VL-1.5 模型，凭借全球首创的 “异形框定位” 技术，以仅 0.9B 的轻量参数，在权威榜单 OmniDocBench v1.5 上斩获 94.5% 的准确率，碾压 Gemini-3-Pro、DeepSeek-OCR2 等顶尖模型，登顶全球第一。
如果说 DeepSeek-OCR2 的核心优势是 “用 LLM 理解文档逻辑”，那么 PaddleOCR-VL-1.5 则专攻 “视觉鲁棒性”，彻底解决了现实中歪扭、弯折、反光等复杂文档的识别难题，让 OCR 技术从 “适应理想环境” 转向 “适配真实场景”，为合同处理、档案数字化、财报解析等核心场景提供了高效解决方案。
一、核心突破：异形框定位，歪扭文档也能精准识别
传统 OCR 因依赖矩形定位框，面对手机拍摄的梯形合同、折叠有折痕的报销单、屏幕反光的财报等场景时，常出现信息遗漏、识别错误。PaddleOCR-VL-1.5 的 “异形框定位” 技术，从根源上解决了这一痛点：
-
具备 “空间想象力”：能先理解文档的物理形变（弯曲、倾斜、波浪形），再从形变空间中提取文字逻辑，而非用固定矩形框生硬套取；
-
全场景适配：在扫描件、弯曲页、倾斜文档、屏摄画面、光照变化五大真实场景中，识别准确率全面超越主流开源与闭源模型；
-
实用价值拉满：无论是折叠的票据、倾斜的古籍，还是跨页被裁的表格，都能精准捕捉完整信息，无需人工预处理。
二、四大核心特性：轻量参数 + 全能表现
1. 0.9B 参数的极致性价比
打破 “参数越大性能越强” 的固有认知，PaddleOCR-VL-1.5 以仅 0.9B 的轻量级架构，实现了超越千亿参数模型的文档解析能力。无需高额算力支持，普通设备也能快速部署，大幅降低开发者使用门槛。
2. 多元素识别能力全面增强
针对实际应用场景痛点，模型强化了多类关键元素的识别能力：
-
特殊符号与格式：精准识别下划线、复选框、复杂公式，适配办公文档高频需求；
-
小众场景优化：优化生僻字、古籍文字识别，支持 109 种语言（新增藏文、孟加拉文），适配数字化存档等专业场景；
刚需功能补充：新增印章识别，完美匹配合同、发票等商务场景的核心需求。
3. 长文档跨页解析无压力
解决长文档处理中的碎片化问题，支持跨页表格自动合并、跨页段落标题识别，让财报、书籍等长文档解析后保持结构完整，减少后续人工整理工作量，大幅提升办公与科研效率。
4. 零门槛部署 + 免费额度福利
开发者无需复杂配置，即可快速上手使用：
-
在线体验：直接通过官方地址（https://aistudio.baidu.com/paddleocr）在线测试，无需本地部署；
-
API 调用：登录即送 100 万 Token 免费额度，可直接集成到产品或脚本中；
-
代码示例：提供完整 Python 调用代码，支持 PDF、图片格式，快速实现文档解析与结果导出（Markdown 文本 + 图片保存）。
三、六大真实场景落地：覆盖多行业需求
PaddleOCR-VL-1.5 的强鲁棒性使其在多行业场景中表现亮眼：
-
纸质文件还原：手机拍摄的合同、简历，自动矫正形变并提取文字；
-
图表版面解析：科研论文、财报中的图表与文字分离识别，保留原始布局；
-
复杂公式提取：数学、物理论文中的公式精准识别，支持导出复用；
-
手写笔记扫描：手写字体、涂鸦笔记清晰识别，适配学习与办公场景；
-
医疗处方识别：医院处方的手写文字、药品名称精准提取，助力医疗数字化；
-
古籍文献研究：古籍中的生僻字、异体字识别，支持传统文化数字化存档。
四、开源资源直达
-
在线体验 / API：https://aistudio.baidu.com/paddleocr
PaddleOCR-VL-1.5 的开源，不仅推动 OCR 技术从 “文字识别” 向 “文档智能” 跨越，更以轻量、高效、易用的特性，让中小团队与个人开发者能低成本享受顶尖 OCR 能力。无论是商务办公、科研学术还是传统文化保护，这款模型都能成为高效帮手。