最强开源0.9B级OCR模型！本地Agent、知识库都有救了～

你好，我是袋鼠帝

今天，百度悄悄发布并开源了一款多模态文档解析模型：PaddleOCR-VL。

我看的第一眼，注意力全被它的参数量吸引了，0.9B。

这么小的参数量，意味着它对算力的要求极低，我感觉扔到手机上都能跑得动。

这对于很多想在本地环境，或者资源受限的设备上玩AI的朋友来说，简直是福音。

我之前做过不少AI知识库的业务，也用过很多OCR工具，那些OCR或多或少都会有一些问题。

要么出现阅读顺序混乱。在处理多栏排版的报纸、论文或杂志的时候，会把不同区块的文字拼接在一起，导致提取出的内容逻辑不通，就没法用。

要么表格解析一塌糊涂。一个清清楚楚的表格，它能给你识别成一堆丢掉结构的零散文字，还得你手动去重新整理。

另外就是公式识别，经常把各种数学公式，识别成一堆无意义的乱码。。。

现在，对于任何一个新出的OCR工具，我都是抱着期待又怀疑的态度。

于是，我很快就上手试用了PaddleOCR-VL。

没想到，这个0.9B的小鼻嘎，还挺不错。

比如我找了一张9月开的发票，上传给它识别

结果，它完成的相当不错，不仅精准识别了上面的文字、数字，还给我输出了一个表格。

像这种双语合同也是轻松识别

我又找了一些一些柱状图、折线图让它识别：

他竟然能识别出图表数据的关联关系，并转成一个markdown格式的数据

这两个小测试，瞬间就勾起了我的兴趣。我决定，得再给它上上强度。

不过在这之前，还是先给大家介绍一下PaddleOCR-VL到底是个啥？

我查了一下：

这款模型，来自百度飞桨的PaddleOCR团队。

这个团队，在OCR领域，相当强劲。

他们的PaddleOCR开源项目，在GitHub上是中国唯一一个Star数超过50k的OCR项目（现在57.2K了），累计下载量超900万，被超过5.9k开源项目直接或间接使用，绝对是业内的老大哥。

https://github.com/PaddlePaddle/PaddleOCR

这次的PaddleOCR-VL，可以看作是他们把OCR技术和最新的大模型能力结合起来的产物。

PaddleOCR-VL基于ERNIE-4.5-0.3B的语言模型训练而来，是文心4.5的最强衍生模型。

在最新的OmniDocBench V1.5这个国际权威榜单上，直接屠榜了。

把GPT-4o，Gemini-2.5 Pro这些国际大厂的顶级多模态模型，都甩在了后面。

在文本识别，公式识别，表格理解，阅读顺序这四个OCR的核心能力上，也全部拿了第一。

OmniDocBench V1.5是目前国际上最系统、最具代表性的文档视觉语言理解基准之一，由OpenDataLab联合清华大学、阿里达摩院、上海人工智能实验室等多家机构共同建设。

覆盖了学术论文、财务报表、手写笔记等九大类真实世界里最复杂的文档场景，是目前行业里公认最全面、最难的文档理解评测基准之一

像GPT-4o、Gemini-2.5 Pro、Qwen2.5-VL这些国际主流的顶级模型，都把它作为官方的评测标准，来证明自己的文档处理能力。

昨晚才发布，今天PaddleOCR-VL就拿下了HuggingFace Trending全球第一

我觉得完全可以用它来拯救那些本地Agent的视觉能力。

以及解决本地AI知识库难以有效果处理多模态文件的问题。

而且这个成本是非常低的。

地址汇总 (方便大家直达)：

huggingface：

https://huggingface.co/PaddlePaddle/PaddleOCR-VL

技术博客: 

https://ernie.baidu.com/blog/zh/posts/paddleocr-vl/

技术报告：

https://arxiv.org/pdf/2510.14528

huggingface体验地址：

https://huggingface.co/spaces/PaddlePaddle/PaddleOCR-VL_Online_Demo

官方体验地址：

https://aistudio.baidu.com/application/detail/98365

不过，是骡子是马，还得拉出来遛遛才知道。

实测效果

目前PaddleOCR-VL可以在官方的飞桨AI Studio里直接体验：

https://aistudio.baidu.com/application/detail/98365

>/ 医疗检测报告识别

我去年服务过一些医疗行业的客户（定制知识库和Agent），他们最大的痛点之一，就是如何让AI准确地识别和理解各种各样，格式五花八门的医院报告单。

当时我们用的是GPT-4o，但说实话，效果非常一般，经常出现识别错误和遗漏。

这个场景，绝对是刚需中的刚需。

我找了一张非常典型的检验报告单，这上面密密麻麻的检测结果是很多视觉模型的噩梦。

下面是PaddleOCR-VL识别的检测结果

它把所有的项目和数值都准确地提取了出来，同时生成了表格的结构，更加清晰了。

而且非常稳定，试了很多次，每次提取的结果都不会变。

很多时候，稳定才是生产力

这个能力，对于医疗Agent的下游，比如报告解读，健康建议等，是至关重要的第一步。

>/ 古籍文字识别

为了考验它的文字识别能力，找了2张古籍的竖排版照片，而且是从右到左，从上到下的阅读顺序。

还是不错的，识别完全正确～

为了客观起见，我就突然想看看GPT5能不能搞定它。

有意思的是，GPT5直接弃权了。。。

并向我推荐了百度开源的PaddleOCR（前面说的57K Star的项目）

完整对话这里看：

 https://chatgpt.com/share/68f0e50b-c468-8001-95ad-c095edf9f28f

/> 复杂数学公式识别

复杂数学公式也一直是OCR领域的一大难题。

今年高考那段时间，我写了一篇DeepSeek R1参加数学高考的文章

那会儿高考都还没结束，网上搜到的数学考卷全是图片（没有文本）

本来我是打算搞个n8n工作流，全自动的让多个大模型参加高考，并自动打分。

结果搞了老半天，就栽在OCR这里，我记得我当时试了一堆多模态大模型API（包括GPT4o），效果都不理想，在大题那里老是把各种公式识别错误，，，直接进行不下去了。

你知道，抢热点需要非常迅速，所以我果断放弃了n8n的方案，采用了最原始的手动跑，所以就只测了DeepSeek R1这一个模型。

这次必须用PaddleOCR-VL试试

我找到了当时准备的高考数学试卷图片

公式识别的相当准确

查看markdown的源文件，可以看到它是把这些公式识别并转为了LaTeX，这样丢给大模型去做题，他们也能轻松看懂这个公式。

对于那种带图的大题，它是这样识别的，它把图片转成了base64放在了markdown的源文件里面。

而这个markdown格式的带Base64图片的题，也可以直接发送给大模型做，完全满足我当时的需求。

/> 化身「孤独的美食家」，轻松识别国外菜单

前段时间特别喜欢看《孤独的美食家》，吃饭的时候看，超级下饭～

我找了一张《孤独的美食家》里五叔吃过的饭店的菜单照片，还是多语菜单。

识别效果如下

看来PaddleOCR-VL的多语识别能力也不错。

>/ 识别图表

另外，它还可以识别一些图表，并转化为markdown格式的数据

这个功能是绝对的刚需，之前用过的一些OCR根本就不支持图表识别，或者说它们只知道把图表里面的字识别一下，根本不知道当中的关联关系。

>/ 识别表格类图片

表格类的图片就更不用说了

我的28条公众号文章数据表格截图，它可以轻松拿捏，把里面内容完整的识别成了一个规整的markdown表格。

其实我更看重的，是它0.9B这个参数量，带来的离线能力。

我之前接触过的一些国企客户，他们对数据安全的要求，是刻在骨子里的。

他们需要所有的AI能力，都能在自己的内网服务器上运行，绝对不能和公网有任何接触。

但他们又没有足够的算力预算，去部署那些动辄几百亿参数的庞然大物。

PaddleOCR-VL这种高性能的小模型，对于他们来说，就是绝对的刚需。

想象一下这些场景。

比如一个法务团队，需要审查上百份高度机密的商业合同。

他们可以把PaddleOCR-VL部署在内部服务器上，结合本地Agent，就能在完全断网的环境下，快速地提取所有合同的关键条款，进行比对和分析。

一个电力巡检工人，在深山里作业，网络信号非常差。

他可以用一个搭载了PaddleOCR-VL的平板电脑，对着设备上的仪表盘和工单拍照，AI在本地就能立刻完成识别和数据结构化，等回到有网络的地方再同步上传。

另外，还可以把PaddleOCR-VL，作为本地知识库平台（比如fastgpt）的视觉模型。

让我们的私有化知识库，也能方便的处理多模态数据。

可以试着把图片理解模型换成本地的PaddleOCR-VL

当使用的所有模型，和知识库都能离线运行时，才是完全本地化的AI知识库（私密性极高）

部分技术解读

简单来说，仅有0.9B参数的PaddleOCR-VL之所以强大，源于一个非常聪明的设计：将复杂的文档解析任务分解为两个阶段：

第一步，先用一个轻量级的模型，PP-DocLayoutV2，去快速地扫描整个文档，把里面的文本块，表格，公式这些元素，一个个地框出来，并规划好正确的阅读顺序。

第二步，再把这些框出来的，一个个的小图片块，批量地，并行地，送给一个专门负责精读的PaddleOCR-VL-0.9B视觉语言模型，去识别里面的具体内容。

最后，轻量级后处理模块聚合两阶段输出，并将最终文档格式化为结构化的 Markdown和JSON。

这种先分后治的流水线作业模式，既保证了版面分析的准确性和稳定性，又极大地提升了识别的效率和速度。

它不像很多大模型那样，试图用一个模型，一口气吃成个胖子，同时完成版面分析和内容识别。这种搞法，虽然简单，但速度慢，成本高，还容易出错。

「最后」

体验下来，我对PaddleOCR-VL的感受是，务实，而且潜力巨大。

虽然它只有0.9B，但在文档解析这个专业领域，它的能力，确实强劲。

你给它输入图片或PDF，它给你输出结构化的Markdown或Json数据。

对，它其实是支持解析PDF的，不过线上demo还没支持（目前只支持上传图片），感兴趣的朋友可以安装到本地试试。

如果这篇阅读量超过8000，下篇教大家怎么本地部署，怎么把它接入fastgpt、n8n，拯救本地知识库和Agent。

把它强大的文档解析能力，集成到你自己的应用里。比如，你可以把它接入FastGPT，在创建知识库的时候，图片理解模型就选择PaddleOCR-VL。

后续官方可能也会推出MCP的使用方式，让它可以更方便地被各种本地Agent调用。

总的来说，我觉得PaddleOCR-VL的开源，为所有需要处理复杂文档的个人和企业，都提供了一个前所未有的，能在本地兼具性能和低成本的强大OCR工具。

值得一试～

能看到这里的都是凤毛麟角的存在！

如果觉得不错，随手点个赞、在看、转发三连吧~

如果想第一时间收到推送，也可以给我个星标⭐

谢谢你耐心看完我的文章~

<