百度开源多模态模型PaddleOCR-VL，登顶HuggingFace全球趋势榜
近日，百度自主研发的多模态文档解析模型PaddleOCR-VL在开源后20小时内迅速登顶HuggingFace全球趋势榜单首位，引发全球开发者社区的广泛关注。该模型基于文心大模型4.5架构衍生而来，以0.9B的轻量化参数量实现多类复杂文档元素的精准识别与结构化解析，被誉为当前最具实用性的OCR-VL（视觉-语言）模型之一。
PaddleOCR-VL可高效处理包括印刷文本、手写汉字、表格、数学公式、图表等在内的多种文档元素，并支持包括中文、英文、法语、西班牙语等在内的109种语言。在权威多模态文档理解评测集OmniBenchDocV1.5中，该模型以92.6的综合得分位列全球第一，在文本识别、版面分析、手写体处理、公式还原等四大核心能力上全面实现SOTA（State-of-the-Art），性能表现超越GPT-4o等其他主流模型。
技术架构上，PaddleOCR-VL融合了百度多项自研技术。其视觉模块采用NaViT（Native Vision Transformer）动态分辨率编码器，能够自适应不同尺寸和长宽比的图像输入，显著提升对不同版式文档的泛化能力。语言模型部分则选用轻量级ERNIE-4.5-0.3B作为基座，在控制计算开销的同时维持了强大的语义理解与生成能力。
尤其值得注意的是，该模型在保持高精度的同时大幅降低计算资源需求，使其可在普通GPU甚至部分终端设备运行，为OCR与多模态技术的普及化应用提供了可能。分析认为，PaddleOCR-VL的开源将极大促进智能文档处理、教育数字化、金融票据识别、多语言翻译等多个行业的技术迭代。
业界专家表示，PaddleOCR-VL的推出不仅体现了百度在预训练模型轻量化与多模态融合领域的技术领先性，也为全球开发者社区提供了高性能、易使用的文档解析工具，预计将推动更多实际场景的规模化落地。
截至目前，该模型已在HuggingFace平台开源，用户可免费下载并使用。百度方面表示，将继续推进PaddleOCR-VL在多语言、低资源环境以及复杂场景下的性能优化，并计划于年底前发布更多衍生版本。