百度最强0.9B视觉模型文档解析能力超越GPT与Gemini
百度发布文心衍生视觉识别模型PaddleOCR-VL-1 6，仅0 9B参数。在OmniDocBench评测中得分96 33%，超越Gemini、GPT等主流模型；真实复杂场景评测达93 19%。支持100多种语言识别，已开源并开放API调用，性能领先。
6月2日，百度正式发布了基于文心大模型衍生的视觉识别模型——PaddleOCR-VL-1.6。这一消息在行业内引发了广泛讨论，毕竟OCR技术赛道竞争激烈，各厂商都在暗中角逐。
首先来看几项关键数据。在权威的文档解析能力评测集OmniDocBench v1.6中，PaddleOCR-VL-1.6的总得分达到了96.33%，超越了Gemini-3-Pro、GPT-5.2、MinerU-2.5-Pro、GLM-OCR等知名模型，综合性能排名第一。
不仅如此，在面向真实复杂场景的Real5-OmniDocBench评测中，该模型的总指标也达到93.19%，相比Gemini-3-Pro提升了近4个百分点。该评测涵盖扫描件、弯折文档、屏幕拍照、光照变化及倾斜文档五大典型场景，这些正是日常工作中最棘手的状况，而PaddleOCR-VL-1.6面对这些“硬骨头”时表现相当稳定。
从实际测试数据来看，与市面上主流的开源和闭源识别模型相比，PaddleOCR-VL-1.6在常规文字、数学公式、表格这三个基础识别维度上，综合表现确实更为出色。
还有一个值得关注的细节：在表格解析、繁体古籍、冷僻用字等高难度场景中，本次版本相比上一代有了显著提升。印章辨别、文字定位、图表信息提取等细分任务的性能也同步优化，基本能够满足文档数字化落地过程中遇到的各种实际需求。
目前，PaddleOCR-VL-1.6已正式上线PaddleOCR官网，支持网页端直接调用，并开放了API接口。模型代码与权重也已同步开源，开发者可直接从GitHub和Hugging Face下载使用。
据文心团队透露，PaddleOCR基于文心大模型训练，是文心大模型多模态能力的重要组成部分。该模型支持超过100种语言的识别，用户已覆盖170多个国家和地区。
此次发布的PaddleOCR-VL-1.6，是在上一代PaddleOCR-VL-1.5基础上的升级迭代。通过模型驱动的数据构建机制和渐进式训练优化，在保持0.9B轻量化架构的前提下，进一步提升了模型的准确率与复杂场景适应能力。更贴心的是，由于两代模型架构保持一致，开发者和企业用户无需额外适配，可直接平滑迁移，省去了大量迁移成本。
值得一提的是，百度在OCR技术领域的积累十分深厚。从PaddleOCR-VL到PaddleOCR-VL-1.6，模型的GitHub星数已突破79.2K，直接超越了谷歌的开源OCR项目Tesseract OCR。这一数字背后，体现了社区对模型的高度认可。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：百度最强0.9B视觉模型文档解析能力超越GPT与Gemini要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点QuickieAI是一款轻量级Chrome插件，核心逻辑是快速准确。在写作、社交媒体运营、营销活动场景中，一键完成内容研究与文案生成，支持侧边栏即时响应。可辅助写作、生成多平台文案及营销话术，擅长冷启动，最终质量需人工微调。
快手开源图像生成模型可图Kolors，采用GLM文本编码器支持中英文双语理解，可处理256token长文本。基于数十亿文本图像对训练，专门优化中国文化元素，能稳定生成中文文字，英文文字偶有缺漏。
Hebbia是一款专为金融、法律、政府和制药等行业设计的AI搜索引擎，其Matrix产品通过拆解复杂文档实现自动化信息提取与分析，已获3000万美元融资。它适用于研究人员、商业人士及学生，提供全面、精准的检索与洞察。
Penf1是一款AI驱动的博客创作工具，专注于简化从构思到发布的全流程。它支持即时内容生成、创意破题和SEO优化，帮助创作者快速获得高质量初稿，从而将精力集中于打磨观点和注入个人风格。
- 日榜
- 周榜
- 月榜
热点快看