百度用一個(gè)僅0.9B參數(shù)的模型，在權(quán)威的文檔解析評(píng)測(cè)榜單OmniDocBench V1.5上，拿下了92.6分的綜合成績(jī)，位列全球第一。
這個(gè)叫作PaddleOCR-VL的模型，發(fā)布不到一天，就在技術(shù)圈的開(kāi)源社區(qū)Hugging Face上沖到了全球熱度榜首。現(xiàn)在仍然霸榜。
它不只是總分高，在文本識(shí)別，公式識(shí)別，表格理解和閱讀順序這四個(gè)文檔解析最核心的能力維度上，全都做到了業(yè)界最佳水平，是目前唯一一個(gè)在這四項(xiàng)上全部登頂?shù)哪Ｐ汀?/p>
它還能處理109種語(yǔ)言，從常見(jiàn)的中文，英文，日文，韓文，到結(jié)構(gòu)復(fù)雜的俄語(yǔ)（西里爾字母），阿拉伯語(yǔ)，印地語(yǔ)（天城文）和泰語(yǔ)，基本覆蓋了全球主要語(yǔ)言體系。
這個(gè)事兒有意思的地方在于，當(dāng)下大家普遍的認(rèn)知是模型參數(shù)量越大，能力越強(qiáng)。百度這個(gè)0.9B參數(shù)的模型能取得這樣的成績(jī)，怎么做到的？
庖丁解牛，先把任務(wù)拆開(kāi)
模型能做到又小又強(qiáng)，關(guān)鍵在于它的設(shè)計(jì)思路。PaddleOCR-VL沒(méi)有選擇做一個(gè)大而全的端到端模型，把一張文檔圖片直接扔進(jìn)去，讓模型自己搞定所有事。
那種方法聽(tīng)起來(lái)很酷，但在實(shí)際應(yīng)用中常常會(huì)遇到麻煩，比如模型容易產(chǎn)生幻覺(jué)，搞錯(cuò)文本的閱讀順序，或者在處理復(fù)雜長(zhǎng)文檔時(shí)計(jì)算成本高得嚇人，難以落地。
PaddleOCR-VL用的是一個(gè)兩階段架構(gòu)。
