PaddleOCR-VL-1.5

PaddleOCR-VL-1.5 是百度开发的视觉语言模型，作为 PaddleOCR 3.4.0 版本的一部分，于 2026 年 1 月 29 日发布。它属于 PaddleOCR 系列，该系列专注于光学字符识别和文档理解工具。该模型旨在提升各种现实场景下的文档解析能力，包括处理不规则形状和复杂元素。

其架构将 NaViT 风格的动态分辨率视觉编码器与基于 ERNIE-4.5-0.3B 的轻量级语言模型集成，形成了一个紧凑的多模态模型，总参数量为 9 亿。

它支持多模态输入，能够处理来自图像或 PDF 的视觉数据以及用于文档理解任务的文本查询。具体能力包括使用 PP-DocLayoutV3 算法进行布局分析，适用于涉及倾斜、扭曲、扫描、变异照明和屏幕摄影的场景。它还处理文本定位、印章识别，以及解析复杂元素，如表格、公式、图表、特殊符号、古文、多语言表格、下划线和复选框。此外，它支持长文档跨页解析，包括合并跨页表格和识别跨页段落标题。

性能评估显示，在 OmniDocBench v1.5 基准测试上精度为 94.5%。它在文本定位和印章识别任务中达到了最先进的结果，在五个现实文档场景（倾斜、扭曲、扫描、变异照明和屏幕摄影）中优于开源和闭源模型。

推荐应用包括文档解析、从图像或 PDF 中提取文本，以及支持超过 111 种语言的多语言文档处理，包括藏语和孟加拉语。

该模型可通过 Hugging Face 访问，地址为 https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.5，以及 PaddleOCR GitHub 仓库 https://github.com/PaddlePaddle/PaddleOCR。它在 Apache 2.0 许可下发布。