10月16日，百度发布并开源自研多模态文档解析模型PaddleOCR-VL。其核心模型参数仅0.9B，轻量高效，能够在极低计算开销下，精准识别文本、手写汉字、表格、公式、图表等复杂元素，支持109 种语言，覆盖中文、英语、法语、日语、俄语、阿拉伯语、西班牙语等多语场景，广泛适用于政企文档管理、知识检索、档案数字化、科研信息抽取等文档智能任务。
作为文心4.5衍生模型，PaddleOCR-VL-0.9B通过融合NaViT动态分辨率视觉编码器与ERNIE-4.5-0.3B语言模型，在精度与效率上取得了新的突破。
精度方面，PaddleOCR-VL在文本编辑距离、公式识别、表格识别、阅读顺序预测误差等方面有着出色表现，其在复杂文档、手写稿、历史档案识别等高难度场景中亦表现稳定。
推理方面，在单张A100 GPU上，PaddleOCR-VL每秒可处理1881个Tokens，推理速度较现有模型有翻倍性能的提升。
据介绍，区别于传统OCR仅能逐行识别文字，PaddleOCR-VL能够读懂、理解复杂版面结构，精准提取财报表格、数学公式、课堂手写笔记等多元信息，并在识别后自动还原符合人类阅读习惯的阅读顺序，精准区分标题、正文、图片与图注，确保信息无遗漏、逻辑不混乱。
另据了解，在架构上，PaddleOCR-VL 创新性地采用两阶段架构：第一阶段由PP-DocLayoutV2 模型负责版面检测与阅读顺序预测；第二阶段由PaddleOCR-VL-0.9B识别并结构化输出文字、表格、公式、图表等元素。相较端到端方案，能够在复杂版面中更稳定、更高效，有效避免多模态模型常见的幻觉与错位问题。
关于拟备案科学家工作室名单的公示 各有关单位： 根据《黑龙江省中国科学院科学家工作室管理办法（试行）》有关规定， 12月18日晚，甘肃临夏州积石山县发生6.2级地震，震源深度10公里，已致多人遇难，部分水、电、交通、通讯等基础设施受损。应急管 法国政府近日推出“2030国家生物多样性战略”，包括40项措施和200项行动，旨在保护和恢复生态系统、减少对生物多样性的 科技日报讯 （记者张佳欣）当有人开始哭泣时，其他人常常会感到同情和关心，但其背后的生物学原因不仅仅是激发了同情心。据 2023年12月中旬以来，受冷空气持续影响，我国天气形势复杂，集中出现寒潮、雨雪、低温、冰冻等灾害性天气。 近日，中国科学院 关于发布“2023年度华夏建设科学技术奖”授奖项目的公示 华夏奖字〔2023〕第4号 各有关单位： 2023年度华夏建设科学技术 。本文链接：支持109种语言，百度多模态文档解析模型开源http://www.sushuapos.com/show-11-27168-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： 蒋荣猛：肝炎防治应打通基层“最后一公里”
下一篇： “天府智农AI大模型”在四川发布