PaddleOCR-VL-1.5: Rumo a um Modelo de Linguagem Visual Multitarefa de 0.9B para Análise Robusta de Documentos em Ambientes Não 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

Resumo

Apresentamos o PaddleOCR-VL-1.5, um modelo aprimorado que atinge uma nova precisão state-of-the-art (SOTA) de 94,5% no OmniDocBench v1.5. Para avaliar rigorosamente a robustez contra distorções físicas do mundo real, incluindo digitalização, inclinação, deformação, fotografia de tela e iluminação, propomos o benchmark Real5-OmniDocBench. Resultados experimentais demonstram que este modelo aprimorado atinge desempenho SOTA no novo benchmark curado. Além disso, estendemos as capacidades do modelo incorporando tarefas de reconhecimento de selos e detecção de texto, mantendo-se um VLM ultradenso de 0,9B com alta eficiência. 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