论文下载链接https://arxiv.org/pdf/2601.21957v2很多人对 OCR 的理解还停留在扫描仪时代。把纸放平盖上盖子按下按钮出来的就是干干净净的 PDF。字体清晰角度端正光线均匀。但现实中谁能随时掏出扫描仪。你开会拍白板拿着手机站在会议室角落镜头斜对着白板字被透视拉伸变形。你在路边看到广告牌仰头拍一张手机屏幕还反着光。你收到一份纸质合同随手放在桌上拍了就发过去纸面因为装订线微微翘起边缘还有阴影。这些场景在 AI 圈有个专业名字叫「in-the-wild」直译过来就是「野外环境」。跟实验室里精心准备的扫描件完全是两个世界。百度 PaddlePaddle 团队发的论文(PaddleOCR-VL-1.5: Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing)里面对这些真实场景做了系统分类一共五种。扫描件最理想的情况光线均匀角度固定AI 最擅长。倾斜纸面旋转了角度文字被拉伸AI 容易把「王」认成「玉」。翘曲纸面不是平的有波浪状的弯曲书脊、装订线附近尤其严重文字被挤压或拉伸。屏幕拍摄你拍的是电脑屏幕或手机屏幕摩尔纹像一层纱蒙在文字上。光照光线不均匀一半亮一半暗或者有反光光斑暗处文字直接消失。这五种场景难度是递进的。扫描件最简单倾斜和光照次之翘曲和屏幕拍摄最难。之前市面上的文档解析方案在这几种场景下的表现坦率的讲一言难尽。怎么证明一个模型「真的很鲁棒」不是靠嘴说的知道问题有多难之后下一个问题自然是怎么衡量一个模型到底有多鲁棒。总不能靠感觉说「我觉得它挺稳的」。得有个标准。PaddlePaddle 团队在论文里提出了一个叫 Real5-OmniDocBench 的基准。名字很长但逻辑很简单就是基于现有的 OmniDocBench 评测体系专门针对五种真实场景构建测试集。关键的地方在于数据是怎么来的。除了扫描件这个类别其他四种场景的图像全部是用手持设备手动采集的。不是模拟的不是合成的就是真人拿着手机在不同条件下拍的。倾斜场景是把纸放在桌上转个角度拍翘曲场景是手持书页让纸面弯曲拍屏幕拍摄是拿手机对着电脑屏幕拍光照场景是故意在明暗不均匀的环境下拍。用这种方式测出来的结果才真正能说明一个模型在「野外」能不能活下来。评测维度也挺全面的不只是看文字识得准不准还看表格还原度、公式识别准确率、阅读顺序对不对。这些加起来才算真的把一份文档读进去。五组数据直接把我看傻了标准有了接下来看成绩单。PaddleOCR-VL-1.5 在 Real5-OmniDocBench 上拿了 92.05% 的总体分。跟上一代 V1 版本对比五个场景全线提升。扫描件从 92.11 提到 93.43提升 1.32 个百分点。这个场景本来就已经很高了再往上提空间不大但依然有小幅改善。翘曲从 85.97 提到 91.25提升 5.28 个百分点。纸面弯曲这个问题之前的方案处理得不太理想这次有明显突破。屏幕拍摄从 82.54 提到 91.76提升 9.22 个百分点。摩尔纹干扰这个老大难问题V1.5 几乎把分数拉到了和其他场景同一水平线。光照从 89.61 提到 92.16提升 2.55 个百分点。最猛的是倾斜。从 77.47 直接跳到 91.66提升 14.19 个百分点。我反复看了好几遍确认没看错14 个点的绝对提升不是什么相对提升是实打实的 14 个百分点。从一个「勉强能用」的水平直接干到了和扫描件差不多的精度。而且它不止能处理倾斜文档。PaddleOCR-VL-1.5 同时支持六种任务常规 OCR 识别文字不在话下公式识别能把数学公式转成 LaTeX表格识别能还原表格结构图表识别能理解图里的信息还有两个这次新增的能力印章识别和文本定位。印章识别特别有意思。你想合同上的红章叠在文字上形状不规则颜色深浅不一传统 OCR 根本处理不了。文本定位是说模型不仅能认出文字还能精确告诉你每个字在图片里的位置坐标用四个点画出一个框把文字圈出来。一份歪歪扭扭的照片丢进去文字、表格、公式、印章、图表全给你识别出来还能告诉你每个元素在哪个位置。0.9B 参数跑赢了 235B 的大模型看到这里你可能觉得数据这么好那肯定是个大模型吧。不是。PaddleOCR-VL-1.5 只有0.9B参数。0.9B不到 10 亿放在现在这个动不动就几百 B 上千 B 的 AI 圈子里简直像个小学生。但它在 OmniDocBench v1.5 上的总体得分是 94.50%比 Gemini-3 Pro 的 90.33% 高了 4 个多点比 Qwen3-VL-235B 的 89.15% 高了 5 个多点比 MinerU2.5 的 90.67% 也高了将近 4 个点。你自己算算参数量差了 260 倍精度反而更高。印章识别这个场景更夸张。印章识别用的是 NED 指标数值越低越好。PaddleOCR-VL-1.5 的 NED 是 0.138Qwen3-VL-235B 是 0.382Qwen2.5-VL-72B 是 0.396。0.9B 的小模型在这个细分任务上把235B的大模型甩开了将近三倍。我以前也默认觉得参数越大模型越强毕竟整个行业都在往大里卷。但这次的对比数据让我不得不重新想想至少在文档解析这个领域参数规模不是唯一的答案。为什么能做到因为「看得准」比「看得到」更重要那问题来了凭什么。论文里给出的答案是布局引擎的升级。PaddleOCR-VL-1.5 的文档解析分两步走第一步叫布局分析用一个叫 PP-DocLayoutV3 的模块把文档里的各个区域找出来第二步才是识别每个区域里的内容。这个 PP-DocLayoutV3 做了三个关键升级。第一个从矩形检测升级成了实例分割。以前的方案是给每个区域画一个矩形框但你想一张歪斜的文档文字区域本身也是歪的硬画一个正矩形框要么框太大包含了旁边的文字要么框太小漏掉了一部分。实例分割能做到紧贴文字边缘画出不规则的多边形精确到像素级别。第二个集成了阅读顺序预测。一份文档里有很多区域标题、正文、表格、图注AI 不能随便乱读得知道先读哪个后读哪个。PP-DocLayoutV3 用了一个叫 Global Pointer 的机制能在检测区域的同时把阅读顺序也排好不用额外后处理。第三个多点定位。以前是四个点定位左上、右上、右下、左下。但如果文档是弯的四个点连起来还是一个矩形根本贴合不了弯曲的纸面。多点定位能用更多点来描边框的形状可以跟着纸面弯曲。这三个升级合在一起就是一句话「看得准」比「看得到」更重要。大模型确实能看到更多东西但如果定位不准框歪了后面的识别再强也是白搭。小模型把布局这件事做扎实了识别效果反而更好。PaddleOCR-VL-1.5 的单卡推理速度也挺快用 FastDeploy 后端在 A100 上一秒能处理 1.4 页在 RTX3060 上也能跑一秒 0.5 页。虽然不算飞起来但处理几百页的文档完全够用了。这种文档解析能力落到下游应用里是真能用上的。做 RAG 的团队最头疼的就是 PDF 解析尤其是那些扫描版 PDF 或者用户手机上传的图片。文档解析不准后面检索出来的东西全是错的知识库直接变成垃圾库。PaddleOCR-VL-1.5 在真实场景下还能稳住前面这道坎总算能迈过去。下次你掏出手机拍一张歪歪扭扭的文件不用担心 AI 读不懂了。至少 PaddleOCR-VL-1.5 把这道题做出来了。参考论文 PaddleOCR-VL-1.5: Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing (arXiv: 2601.21957v2)模型地址 https://huggingface.co/PaddlePaddle代码仓库 https://github.com/PaddlePaddle/PaddleOCR感谢阅读。点个关注不迷路我们后续会持续跟进文档解析、OCR、多模态模型等前沿技术动态第一时间为你解读。
