PaddleOCR-VL-1.5: Создание многозадачной VLM-архитектуры на 0.9B параметров для надежного анализа документов в реальных условиях

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

January 29, 2026

Авторы: 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

Аннотация

Мы представляем PaddleOCR-VL-1.5 — усовершенствованную модель, которая устанавливает новый рекорд точности (state-of-the-art, SOTA) в 94.5% на тестовом наборе OmniDocBench v1.5. Для строгой оценки устойчивости к реальным физическим искажениям, включая сканирование, перекос, деформацию, фотографирование с экрана и изменение освещения, мы предлагаем новый бенчмарк Real5-OmniDocBench. Результаты экспериментов демонстрируют, что улучшенная модель достигает наилучших показателей на новом бенчмарке. Кроме того, мы расширяем возможности модели, добавив задачи распознавания печатей и обнаружения текста, сохраняя при этом высокую эффективность в рамках ультракомпактной VLM-архитектуры объемом 0.9 млрд параметров. Код: 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