PaddleOCR-VL-1.5: Hacia un Modelo de Lenguaje Visual Multitarea de 0.9B para un Análisis Robusto de Documentos en Entornos No Controlados

PaddleOCR-VL-1.5: Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing

January 29, 2026

Autores: Cheng Cui, Ting Sun, Suyin Liang, Tingquan Gao, Zelun Zhang, Jiaxuan Liu, Xueqing Wang, Changda Zhou, Hongen Liu, Manhui Lin, Yue Zhang, Yubo Zhang, Yi Liu, Dianhai Yu, Yanjun Ma

cs.AI

Resumen

Presentamos PaddleOCR-VL-1.5, un modelo mejorado que alcanza una nueva precisión state-of-the-art (SOTA) del 94.5% en OmniDocBench v1.5. Para evaluar rigurosamente la robustez frente a distorsiones físicas del mundo real, como el escaneo, la inclinación, la deformación, la fotografía de pantalla y la iluminación, proponemos el benchmark Real5-OmniDocBench. Los resultados experimentales demuestran que este modelo mejorado logra un rendimiento SOTA en el nuevo benchmark creado. Además, ampliamos las capacidades del modelo incorporando tareas de reconocimiento de sellos y detección de texto, manteniéndose como un VLM ultracompacto de 0.900 millones de parámetros con alta eficiencia. Código: https://github.com/PaddlePaddle/PaddleOCR

English

We introduce PaddleOCR-VL-1.5, an upgraded model achieving a new state-of-the-art (SOTA) accuracy of 94.5% on OmniDocBench v1.5. To rigorously evaluate robustness against real-world physical distortions, including scanning, skew, warping, screen-photography, and illumination, we propose the Real5-OmniDocBench benchmark. Experimental results demonstrate that this enhanced model attains SOTA performance on the newly curated benchmark. Furthermore, we extend the model's capabilities by incorporating seal recognition and text spotting tasks, while remaining a 0.9B ultra-compact VLM with high efficiency. Code: https://github.com/PaddlePaddle/PaddleOCR