百度用一個僅0.9B參數的模型，在權威的文檔解析評測榜單OmniDocBench V1.5上，拿下了92.6分的綜合成績，位列全球第一。
這個叫作PaddleOCR-VL的模型，發布不到一天，就在技術圈的開源社區Hugging Face上沖到了全球熱度榜首。現在仍然霸榜。
它不只是總分高，在文本識別，公式識別，表格理解和閱讀順序這四個文檔解析最核心的能力維度上，全都做到了業界最佳水平，是目前唯一一個在這四項上全部登頂的模型。
它還能處理109種語言，從常見的中文，英文，日文，韓文，到結構復雜的俄語（西里爾字母），阿拉伯語，印地語（天城文）和泰語，基本覆蓋了全球主要語言體系。
這個事兒有意思的地方在于，當下大家普遍的認知是模型參數量越大，能力越強。百度這個0.9B參數的模型能取得這樣的成績，怎么做到的？
庖丁解牛，先把任務拆開
模型能做到又小又強，關鍵在于它的設計思路。PaddleOCR-VL沒有選擇做一個大而全的端到端模型，把一張文檔圖片直接扔進去，讓模型自己搞定所有事。
那種方法聽起來很酷，但在實際應用中常常會遇到麻煩，比如模型容易產生幻覺，搞錯文本的閱讀順序，或者在處理復雜長文檔時計算成本高得嚇人，難以落地。
PaddleOCR-VL用的是一個兩階段架構。
