PaddleOCR-VL：基于0.9B超轻量视觉-语言模型的高效多语言文档解析

一、PaddleOCR-VL 简介

PaddleOCR-VL 是一款在文档解析领域兼具顶尖性能和高效资源利用的模型。其核心是 PaddleOCR-VL-0.9B，一个轻量且强大的视觉语言模型（VLM）。该模型创新性地将 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型相结合，实现了精准的元素识别。

PaddleOCR-VL 高效支持 109 种语言，并在解析复杂元素（包括文本、表格、公式及图表）方面表现卓越，同时保持极低的资源占用。经过在主流公共基准和内部基准上的全面测试，该模型在 页面级文档解析 和 元素级识别 任务中均达到 SOTA（State-of-the-Art） 水平，显著超越现有方案，并在顶级 VLM 中展现出强劲竞争力。此外，它还具备 快速推理速度，非常适合实际场景的部署需求。

二、核心特性

1. 紧凑而强大的 VLM 架构：一种专为高效资源推理设计的新型视觉语言模型。该模型在元素识别任务中表现优异，通过整合 N