标题和作者

本文主要介绍了百度文心团队发布的最新模型 PaddleOCR-VL-1.6，该文档的核心主题聚焦于文档解析领域的最新技术突破，特别是该模型在复杂文档理解和真实场景解析能力上的飞跃。作者为量子位，文章详细阐述了 PaddleOCR-VL-1.6 在权威评测中超越 Gemini-3-Pro、GPT-5.2 等顶级大模型的表现，以及其作为开源项目在 GitHub 上超越谷歌 Tesseract OCR 的历史性成就。作者背景展示了百度在 AI 开源领域的领导地位及其对文档数字化需求的深刻洞察。

摘要

本文主要介绍了百度文心发布的 PaddleOCR-VL-1.6 文档解析大模型，该模型在权威评测集 OmniDocBench v1.6 中取得了 96.33% 的准确率，刷新了行业 SOTA（State of the Art）纪录。在此之前，虽然已有如 PaddleOCR-VL-1.5 等版本支持异形框定位，但在处理复杂文档和真实场景方面仍有提升空间。本文之所以需要做这项研究，是因为现有通用大模型（如 GPT 系列）和专用模型在特定复杂场景（如古籍、生僻字、弯折文档）下的表现不够理想。PaddleOCR-VL-1.6 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 轻量化架构的同时，大幅提升了准确率和复杂场景适应能力。测试结果表明，该模型在文本、公式、表格识别上全面领先，且在五大真实场景下均保持领先，综合性能全球第一。此外，为了帮助听众理解，本节涉及的术语解释如下：OmniDocBench v1.6 是一个专门用于评估文档解析模型在复杂文档上表现的综合基准测试集，涵盖了多种文档类型和干扰因素；SOTA（State of the Art）即当前技术状态下的最佳水平，意味着该模型在当前公开评测中处于领先地位；模型驱动的数据构建机制是指利用 AI 模型自动生成和筛选训练数据，以提升模型对特定场景的泛化能力。

主要主题和概念

主题一：极致的文档解析精度与复杂场景适应能力。
What：问题在于如何让模型准确识别复杂文档，包括表格、公式、古籍生僻字以及弯折、光照变化等非理想环境下的内容，现有模型往往难以兼顾精度与轻量化。
Why：文档数字化需求日益增长，但真实世界中的文档往往充满干扰，如屏幕拍照的噪点、古籍的模糊字迹等，这些因素导致模型准确率大幅下降。
How：通过模型驱动的数据构建机制，让模型自我生成训练样本，从而针对性地提升对复杂结构的理解；采用渐进式训练优化，在保持 0.9B（轻量级）模型结构不变的情况下，通过分阶段训练增强模型的鲁棒性。
主题二：开源生态的全球领跑与开发者友好性。
What：PaddleOCR 作为开源项目，其 GitHub Star 数已突破 79.2K，成为全球最受欢迎的开源 OCR 项目，超越了谷歌的 Tesseract OCR。
Why：开源生态是技术普及和迭代的基础，拥有庞大的开发者社区可以加速模型的优化和在不同场景下的应用落地。
How：PaddleOCR-VL-1.6 在保持模型结构一致的基础上，提供网页端和 API 调用支持，同时将模型代码及权重同步开源至 GitHub 和 Hugging Face，确保开发者无需额外适配即可平滑迁移。
主题三：真实场景下的五大挑战应对。
What：真实场景中存在扫描件质量不一、文档弯折、屏幕拍照反光、光照剧烈变化及文档倾斜等五大具体难题。
Why：实验室环境下的高精度不代表实际应用中的成功，只有能应对真实世界混乱输入的模型才具有商业价值。
How：在 Real5-OmniDocBench 评测中专门针对这五大场景进行强化训练，确保模型在弯折文档、屏幕拍照等极端情况下仍能保持 93.19% 的高准确率。
此外，本节涉及的术语解释如下：异形框定位是指模型能够识别并框选文档中非标准矩形的内容区域（如表格或特殊排版），这对于后续精准提取信息至关重要；Spotting 能力通常指在文档中快速准确地定位特定目标（如印章）的能力，这是文档解析中高级功能的一部分。

重要引文

论点：PaddleOCR-VL-1.6 在综合性能和真实场景表现上均超越了当前最先进的通用大模型和专用 OCR 模型。
论据：根据文档内容，PaddleOCR-VL-1.6 在 OmniDocBench v1.6 评测中的总指标达到 96.33%，而 Gemini-3-Pro、GPT-5.2、MinerU-2.5-Pro、GLM-OCR 等竞品均未达到此分数；在 Real5-OmniDocBench 评测中，PaddleOCR-VL-1.6 总指标达到 93.19%，较 Gemini-3-Pro 提升了近 4 个百分点。
论证：文章通过具体的数字对比来证明论点，明确指出在权威的 OmniDocBench v1.6 基准测试中，PaddleOCR-VL-1.6 的得分（96.33%）高于所有提及的竞争对手（Gemini-3-Pro、GPT-5.2 等），且在模拟真实场景的 Real5-OmniDocBench 测试中，依然保持了显著的领先优势（93.19% vs 竞品），从而有力地证明了该模型是目前业界性能最强的文档解析方案。
此外，本节涉及的术语解释如下：OmniDocBench v1.6 是一个权威的文档解析评测基准，旨在评估模型在处理各种复杂文档时的综合能力；Real5-OmniDocBench 则是一个专注于真实复杂场景构建的评测集，模拟了用户实际使用 OCR 工具时可能遇到的各种干扰情况。

总结

本文最引人注目的亮点在于 PaddleOCR-VL-1.6 在保持 0.9B 轻量化架构的前提下，实现了高达 96.33% 的准确率，成功超越了 GPT-5.2 等全球顶级模型。这不仅刷新了文档解析的 SOTA 记录，更证明了开源模型在性能上已具备挑战闭源巨头的实力。与摘要相比，本文进一步揭示了其在古籍、生僻字及表格识别上的显著提升，以及作为开源项目在 GitHub 上超越 Tesseract OCR 的历史性突破。这一进展标志着文档数字化工具正在从实验室走向真正的生产环境，未来该模型有望在更多垂直行业（如金融、法律）中发挥关键作用，解决真实世界中文档解析的“最后一公里”难题。