您现在的位置是:热点 >>正文
百度发布全球领先文档解析模型 PaddleOCR-VL,重塑OCR技术格局!
热点26080人已围观
简介...
近日,百度正式发布并开源其自研的多模态文档解析模型 PaddleOCR-VL。这一模型在全球权威的文档解析评测榜单百度 OmniBenchDoc V1.5中,以92.6分的佳绩荣登综合性能全球第一的宝座,展现出其在文本、表格、公式和阅发布读顺序四大核心能力上的卓越表现。
PaddleOCR-VL 的核心模型参数仅为0.9B,具有轻量高效的特点,能够在极低的计算全球开销下,精准识别包括文本、手写汉字、表格、公式及图表等复杂元素。该模型支持109种语言,涵盖中文、英语、法语、日语、俄语领先、阿拉伯语和西班牙语等多种语言场景,适用于政企文档管理、知识检索、档案数字化以及科研信息抽取等多种智能文档处理任文档务。
作为文心4.5的衍生模型,PaddleOCR-VL-0.9B 通过融合 NaViT 动态分辨率视觉编码器与 ERNI解析E-4.5-0.3B 语言模型,成功实现了在精度和效率上的双重突破。具体而言,该模型在 OmniDocBench v1.5上的表模型现极为亮眼,文本编辑距离为0.035,公式识别的 CDM 为91.43,表格的 TEDS 达到了93.52,阅读顺序预测误差 P值为0.043,这些数据展示了其在复杂文档、手写稿及历史档案识别等高难度场景中的稳定性和可靠性。
在推理速度方面,PaddadleOCR-VL 在一张 A100GPU 上每秒可处理1881个 Token,相较于其他主流模型,推理速度有显著提升,较 MinedlrU2.5快14.2%,比 dots.ocr 更是提升了253.01%。这一表现使得 PaddleOCR-VL 在 OCR 技术中树eO立了新的标杆。
与传统 OCR 技术不同,PaddleOCR-VL 能够如同人类一样理解复杂的版面结构,精确提取财报表格、数学公式CR和课堂笔记等多元信息,并自动恢复符合人类阅读习惯的顺序,确保信息传达的准确性和逻辑的清晰性。其创新的两阶段架构,-V第一阶段负责版面检测与阅读顺序预测,第二阶段则进行文本、表格、公式等元素的识别与结构化输出,这种设计显著提高了识别L,的稳定性和效率。
Tags:
相关文章
标签: 千问大模型 Qwen 阿里巴巴 千问App
热点云梦级3月2日云梦级消息,阿里千问大模型今日官宣,阿里巴巴 AI 的总称和核心品牌统一为千问,千问大模型(Qwen)涵盖基础大模型与专业领域模型,千问 App 是阿里巴巴在 C 端的旗舰 AI 应用。...
【热点】
阅读更多标签: 松延动力 宁德时代 晨道资本 仿生机器人
热点云梦级3月2日云梦级消息,北京松延动力科技集团股份有限公司(以下简称“松延动力”)宣布完成 B 轮融资。本轮融资由宁德时代系产业投资平台晨道资本领投,国科投资、京国盛基金、九合创投等知名机构跟投,B...
【热点】
阅读更多阿里开源Vivid-VR:AI视频修复神器,解锁内容创作新可能
热点随着生成式AI技术的飞速发展,视频修复领域迎来了新的突破。阿里云最新开源的Vivid-VR生成式视频修复工具,以其出色的帧间一致性和修复效果,迅速成为内容创作者和开发者的关注焦点。 Vivid-VR:...
【热点】
阅读更多