2025 年 10 月 16 日，百度把自家打磨了一年的「多模态文档解析大杀器」--PaddleOCR-VL 正式开源。它只有 9 亿参数，却在 6 大权威基准上把 30B 级别的“庞然大物”们按在地上摩擦；更离谱的是，一张 A100 每秒能飙 1881 个 Token，比上一代方案快了 253%。关键是：代码、模型、Demo 全部放出来了，0 元商用。下面，用一篇“说人话”的实战博客，带你把 PaddleOCR-VL 玩明白。

一、先跑个 Demo：3 张图，看它到底多“离谱”

1. 手写报销单 → JSON

把一张皱巴巴的手写差旅报销单拍成 2000×3000 的高糊照片，扔进官方在线 Demo：

输出（节选）：

{
"type": "table",
"reading_order": 2,
"content": [
{"项目": "住宿费", "金额": "880.00"},
{"项目": "交通费", "金额": "256.50"},
{"项目": "合计", "金额": "1136.50"}
]
}

耗时：0.37 秒 对照人工录入：财务小姐姐说“比我自己敲还准，连‘捌’和‘8’都没混”。

2. 英文论文里的复杂表格 → Markdown

一篇 ICML 2025 双栏 PDF，直接截第 3 页最复杂的消融实验表：

输出：

Model	Params	F1	Inference
PaddleOCR-VL-0.9B	0.9 B	94.7	1881 tok/s
MinerU2.5	2.3 B	93.9	1648 tok/s
dots.ocr-30B	30 B	94.2	533 tok/s

亮点：表头自动对齐，跨栏单元格用 colspan 还原，连脚注 † 都保留。

3. 阿拉伯语古籍 → 可搜索文本

一张 14 世纪阿拉伯医学手稿，文字像蛇一样拐着弯：

输出： “وصف الدواء لعلاج الصداع ...” 识别率：97.4%（百度内部多语言库测评）意义：中东某数字人文团队直接批量跑 12 万张扫描页，3 小时完成 OCR+全文检索索引，之前用某商业引擎要 3 周。

二、架构拆解：为什么 0.9B 能打赢 30B？

模块	传统方案	PaddleOCR-VL 做法	好处
视觉编码	固定 224×224，丢细节	NaViT 风格动态高分辨率，最长边 2048，可切 49 张图 Patch	小字、长公式不糊
语言模型	外挂 7B/13B LLM，推理慢	自研 ERNIE-4.5-0.3B，深度压缩 + 蒸馏	显存占用 ↓80%
训练数据	公开 OCR 语料为主	5 亿张内部业务图（搜索、网盘、文库）+ 1.2 亿张合成图	真实噪声鲁棒
任务解码	先 OCR 再规则合并	端到端生成 Markdown + JSON，序列一次性输出	误差不累积

一句话：把“大模型”做薄，把“厚数据”做深。

三、两阶段流水线：版面 → 内容，像“排版师”+“打字员”

PP-DocLayoutV2（排版师） 负责“画格子”：把一页纸分成正文、标题、页眉、页脚、图注、表格、公式岛等 23 类区域，并给出阅读顺序。示例：

不同颜色框代表不同语义区，数字即阅读顺序。

PaddleOCR-VL-0.9B（打字员） 按顺序逐个格子“填空”：

见表格 → 生成 Markdown 表格
见公式 → 输出 LaTeX
见流程图 → 输出 mermaid 语法
见手写 → 直接上识别，无需额外手写模块

最后把两阶段结果聚合，一页 PDF 平均 0.8 秒变成可编辑的 Markdown。

四、性能横向 PK：速度、精度双杀

模型	参数量	整页 F1	推理速度 (tok/s)	显存 (FP16)
PaddleOCR-VL	0.9 B	92.4	1881	3.1 GB
MinerU2.5	2.3 B	91.8	1648	5.7 GB
dots.ocr	30 B	92.1	533	24 GB
GPT-4V-OCR*	~100 B	91.5	180	80 GB

* 数据来自官方技术报告，GPT-4V 为 API 估算速度结论：在 A100 上单卡就能跑 32 路并发，一台 8 卡机≈小型 OCR 工厂。

五、上手教程：5 行代码，把自家扫描件变 Markdown

① 装包

pip install paddlepaddle-gpu paddlenlp==3.0.0b0
git clone https://github.com/PaddlePaddle/PaddleOCR
cd PaddleOCR

② 下载模型（~1.8 GB）

python tools/download_model.py PaddleOCR-VL-0.9B

③ 推理脚本 `infer_vl.py`

from paddleocr import PaddleOCR
ocr = PaddleOCR(use_vl=True, lang='multilingual') # 109 种语言
result = ocr.ocr("scan.pdf", page=1) # 支持 PDF、PNG、JPG
print(result.to_markdown()) # 直接出 Markdown

输出示例：

医疗险理赔申请书

姓名	张三	身份证号	3101****1234
就诊医院	上海市第一人民医院	科室	心内科
费用总额	12800.00 元	申请金额	12800.00 元

六、场景彩蛋：他们已经在这样玩

客户	场景	效果
某省社保局	每天 80 万张医疗单据	单证录入人力从 120 人→9 人，关键字段准确率 99.2%
跨境电商 SheIn	109 种语言商品说明书	3 小时完成 50 万 SKU 说明书结构化，多语言搜索上线
北大数字人文	明清善本扫描件	生僻字（𪚥、龦）识别率 96%，直接生成 TEI XML 供语义检索
个人极客	把 Notion 剪藏的 2 万篇论文 PNG 公式→LaTeX	平均 0.5 秒/页，Mathpix 付费账户直接退役

七、总结：为什么你现在就能用？

真开源：Apache-2.0 协议，商用 0 元，代码全在 GitHub。
真轻量：3 GB 显存就能跑，RTX 3060 笔记本也流畅。
真多语言：中文、英文、阿拉伯语、印地语、泰米尔语……109 种语言“开箱即用”。
真结构化：不是简单 OCR 字符串，而是直接可渲染的 Markdown / JSON / LaTeX，后端数据库、前端渲染一条龙。

下一次，当你面对一摞扫描件、一本古籍、一张手写笔记，别再手动敲字了。 pip install 一下，让 PaddleOCR-VL 帮你把“图”变成“文”，把“文”变成“知识”。