百度发布PaddleOCR-VL-1.6 96.33%准确率刷新文档解析SOTA

AI创作导航管理员 LV5 大神连续登录30天萌新

4 个月前

风向

2026年6月2日，百度正式发布文心大模型衍生多模态模型PaddleOCR-VL-1.6，在OmniDocBench v1.6权威评测中以96.33%的准确率超越Gemini-3-Pro、GPT-5.2等国内外主流模型，刷新文档解析领域SOTA，综合性能位列全球第一。该模型支持超100种语言识别，可适配多类复杂文档解析场景。

随着全球数字化转型进入深水区，政务、金融、文化、制造等领域的非结构化文档处理需求呈现爆发式增长。传统OCR技术仅能识别标准印刷体文字，面对表格、手写批注、古籍生僻字、印章、混合排版图表等复杂场景时，准确率往往不足80%，需要投入大量人工校验，大幅拉高了数字化成本。

作为文心大模型多模态能力的核心落地产品之一，本次发布的PaddleOCR-VL-1.6仅用0.9B的轻量化参数规模，就实现了性能的大幅跃升。研发团队通过模型驱动的数据构建机制与渐进式训练优化，针对性解决了复杂场景下的识别偏差问题，最终在OmniDocBench v1.6评测中拿下96.33%的准确率，不仅超过了参数规模远大于自身的Gemini-3-Pro、GPT-5.2等海外头部模型，也领先于国内同类型的GLM-OCR等产品，登顶全球性能榜首。

目前PaddleOCR系列产品已经支持超100种语言识别，用户覆盖全球170多个国家和地区，本次升级的1.6版本在保持原有部署灵活性的前提下，进一步降低了端侧运行的硬件门槛，即便在普通办公设备上也能实现秒级文档解析。

此次性能突破也让多模态OCR的落地边界进一步拓宽。在文化领域，该模型可实现古籍生僻字、破损文献的高精度识别，大幅缩短古籍数字化的周期；在金融场景中，混合排版的财务报表、多语言合同、印章票据都可以实现自动识别并结构化输出，人工校验成本可降低70%以上；对于有数据隐私要求的政企用户，轻量化架构支持本地化部署，无需上传数据到云端即可完成文档处理。

业内人士指出，本次PaddleOCR-VL-1.6的突破，标志着多模态大模型在感知层面的能力已经接近实用阈值，接下来行业的发展方向将从“识别正确”向“理解到位”演进，未来的OCR产品将可以直接基于文档内容完成逻辑推理、自动摘要、关联分析等深度处理，进一步释放非结构化数据的价值。

百度多模态大模型文心大模型 PaddleOCR-VL-1.6 OCR

本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。