Mis on PaddleOCR-VL-1.5?
PaddleOCR-VL-1.5 on PaddlePaddle'i avatud kaaludega nägemis-keelemudel, mida levitatakse PaddleOCR-i ökosüsteemi ja PaddlePaddle'i Hugging Face'i organisatsiooni kaudu. Selle peamine ülesanne on dokumentide parsimine: muuta dokumendipildid tuvastatud tekstiks, leitud piirkondadeks ja struktureeritud teabeks, mida tarkvara saab edasi töödelda.
Erinevalt üldotstarbelisest vestlusmudelist on see optimeeritud lehekülgede, mitte vaba vormiga dialoogi jaoks. See on mõeldud tavalise teksti, tabelite, matemaatiliste valemite, diagrammide, dokumendipaigutuste, pitsatite ja selliste tekstipiirkondade tuvastamiseks ning tõlgendamiseks, mille puhul on vaja nii asukoha määramist kui ka tekstituvastust. Mudel saab sisendiks dokumendipilte koos tekstiliste juhistega ning väljastab PaddleOCR-i töövoo kaudu teksti või struktureeritud parsimistulemusi.
Mudel avaldati 29. jaanuaril 2026. PaddleOCR-VL-1.6 on nüüd uuem järeltulija, kuid versioon 1.5 on endiselt allalaaditav ja kasutatav. Versiooni 1.6 dokumentatsioon märgib, et selle arhitektuur ühildub versiooniga 1.5, mis võib võimaldada hilisemat üleminekut olemasolevat rakendust oluliselt ümber kujundamata.
Dokumentide põhivõimekused
PaddleOCR-VL-1.5 on mõeldud dokumentidele, mille puhul lihtsast teksti väljavõtmisest ei piisa. See püüab säilitada lehekülje elementide vahelised seosed ja tuvastada sisu, millega traditsioonilised OCR-süsteemid võivad halvasti toime tulla.
- Mitmekeelne tekstituvastus: väljastab teksti mitmes keeles koostatud dokumentidest.
- Paigutuse analüüs: tuvastab dokumendi struktuurid ja lehekülje elemendid, selle asemel et käsitleda kogu lehekülge eristamatu pildina.
- Tabelite tuvastus: parsib tabeleid ja toetab tabelisisu ühendamist eri lehekülgede vahel.
- Valemite tuvastus: käsitleb matemaatilisi avaldisi eraldiseisva dokumendielemendina.
- Diagrammide mõistmine: analüüsib diagramme ja nende ümbruses olevat dokumendikonteksti.
- Teksti lokaliseerimine: määrab tekstiridade asukohad ja tuvastab nende sisu.
- Pitsatite tuvastus: tuvastab pitsateid, mis on paljude ametlike ja äridokumentide puhul oluline nõue.
- Ebakorrapärase kujuga elementide lokaliseerimine: tuvastab dokumendielemendid, mis ei mahu lihtsatesse ristkülikukujulistesse piirkondadesse.
- Lehekülgedeülene rekonstrueerimine: aitab uuesti ühendada lõike, pealkirju ja tabeleid, mis jätkuvad ühelt leheküljelt teisele.
Need võimekused muudavad mudeli sobivamaks arvete, aruannete, vormide, teadustööde, haldusdokumentide, skannitud lepingute ja muu sarnase materjali töötlemiseks kui põhilise OCR-i lõpp-punkti, mis tagastab üksnes märgijada.
Mõeldud keerukate dokumendipiltide jaoks
Versiooni 1.5 üks põhifookusi on töökindlus väljaspool kontrollitud skannimistingimusi. Päriselu dokumente pildistatakse sageli telefoniga, kuvatakse ekraanil, jäädvustatakse nurga all või mõjutab neid halb valgustus. Leheküljed võivad olla ka viltu, moonutatud või sisaldada skannimisest tulenevaid artefakte.
PaddlePaddle'i sõnul parandab PaddleOCR-VL-1.5 toimetulekut viltuse ja moonutatud kujutise, ekraanipiltide, skannimisartefaktide ning keerukate valgustingimustega. Mudelit hinnati Real5-OmniDocBenchi abil – see on võrdlustest, mille eesmärk on mõõta toimivust sellistes tegeliku maailma tingimustes. PaddlePaddle'i väljalaskedokumentatsiooni kohaselt saavutas mudel OmniDocBench v1.5 testis tulemuse 94,5%.
94,5% on teenusepakkuja esitatud võrdlustulemus, mitte garantii iga dokumendi kohta. Tulemused võivad erineda sõltuvalt keelest, pildikvaliteedist, tüpograafiast, paigutuse keerukusest, käsikirjast, lehekülje ülesehitusest ja parsimistöövoo ülejäänud osade kvaliteedist. Kõige paremini näitab see näitaja mudeli kavandatud kasutusvaldkonda: keerukad dokumendipildid on keskne siht, mitte juhuslik kasutusjuht.
Tehnilised näitajad ja juurutamine
PaddleOCR-VL-1.5 sisaldab ligikaudu 0,9 miljardit parameetrit. Parameeter on mudeli kasutatav õpitud arvuline väärtus; väiksema parameetrite arvuga mudelit on üldiselt lihtsam käitada kui palju suuremat mudelit, kuigi tegelikud ressursinõuded sõltuvad ka pildi suurusest, täpsusest, pakisuurusest ja järeldustarkvarast.
Ametlik Hugging Face'i konfiguratsioon määrab maksimaalseks positsioonimanuse pikkuseks 131 072 tokenit ning kasutab bfloat16-kaalusid. See on tokenipositsioonide konfiguratsioonipiirang, mitte lubadus, et iga kindla arvu lehekülgedega dokument mahub mudeli sisendisse. Lehekülgede arv sõltub pildi eraldusvõimest, väljavõetud visuaalsetest tokenitest, juhistest ja parsimistöövoo genereeritud väljundist.
Ametlik mudelihoidla on PaddlePaddle/PaddleOCR-VL-1.5, samas kui järelduskonfiguratsioon määratleb aluseks oleva mudeli kui PaddleOCR-VL-1.5-0.9B. Mudel on saadaval Apache 2.0 litsentsi alusel. Soovitatav on kasutada PaddleOCR-i dokumendiparseri töövoogu, mis pakub vajalikku ümbritsevat töötlemist, et muuta mudeli väljund kasutatavateks dokumenditulemusteks.
Sõltuvalt kasutatavast PaddleOCR-i versioonist ja juurutusviisist kuuluvad toetatud integreerimisvõimaluste hulka PaddlePaddle, Transformersiga ühilduv laadimine, vLLM, SGLang, FastDeploy, MLX-VLM ja llama.cpp-ga seotud lahendused. Tugiteenuste üksikasjad võivad taustsüsteemiti erineda, seega peaksid kasutajad enne tootmiskeskkonna käituskeskkonna valimist tutvuma PaddleOCR-i ajakohase dokumentatsiooniga.
Sisendid, väljundid ja toetatud funktsioonid
Mudel võtab vastu teksti ja dokumendipilte. Dokumenteeritud sisendiprofiil toetab tekstisisendit ja pildisisendit; heli- ja videosisendit selle mudeli puhul ei ole kirjeldatud. Selle väljund on tekst või struktureeritud dokumendiparsingu teave, mitte otse genereeritud pildid, heli või video.
PaddleOCR-VL-1.5 tuleks seega mõista kui multimodaalset sisendmudelit, mille väljund on tekstipõhine. Süsteemi visuaalne osa tõlgendab lehekülgede pilte ning saadud tuvastus- ja paigutusteave tagastatakse kujul, mida rakendus saab kuvada, salvestada, otsida või teisendada.
Esitatud mudeliteave ei kinnita teenusepakkuja tasemel tööriistade kasutamist, funktsioonikutseid, voogedastust, peenhäälestust, vahemällu salvestamist, partiiliidese kasutust ega eraldi JSON-skeemi režiimi. Struktureeritud tulemusi saab luua PaddleOCR-i töövoo kaudu, kuid seda ei tohiks segi ajada üldotstarbelise teenusepakkuja API-ga, mis pakub ametlikult dokumenteeritud JSON-režiimi. Rangete skeemidega rakendused võivad vajada parseri väljundi valideerimist ja järeltöötlust.
Kiiruse, kulu ja võimekuste kompromissid
Ligikaudu 0,9 miljardi parameetriga PaddleOCR-VL-1.5 on positsioneeritud suhteliselt kompaktse dokumendimudelina. Selle väiksem maht võib vähendada juurutuskulusid ja parandada läbilaskevõimet võrreldes suure üldotstarbelise nägemis-keelemudeli kasutamisega iga lehekülje jaoks. Selle ülevaate juurde kuuluvad mudeliandmed hindavad selle kiirust ja kulu soodsaks toimetuse hinnanguna, mitte teenusepakkuja avaldatud garantiina.
Kompromiss seisneb spetsialiseerumises. Kompaktne dokumendiparser võib suuremahulise OCR-i ja paigutuse väljavõtmise puhul sobida paremini kui suur vestlusmudel, kuid see ei ole mõeldud asendama üldmudelit laiapõhjalise arutlemise, vaba vormiga dialoogi, tarkvaraarenduse, veebotsingu, kõne või meedia genereerimise puhul. Selle arutlusvõime on peamiselt suunatud dokumendi struktuuri ja lehekülje elementide vaheliste seoste tõlgendamisele. Kodeerimisvõimekus on piiratud, sest koodi genereerimine ei ole mudeli eesmärk.
Esitatud teabe põhjal ei ole PaddleOCR-VL-1.5 jaoks kinnitatud majutatud teenuse hinda. Kuna tegemist on avatud kaaludega ja lokaalselt juurutatava mudeliga, sõltuvad kulud riistvarast, järeldustaristust, piltide mahust ja valitud teeninduse taustsüsteemist, mitte selle konkreetse mudeli dokumenteeritud tokenipõhisest hinnast.
Millal valida PaddleOCR-VL-1.5?
Vali PaddleOCR-VL-1.5 siis, kui peamine probleem on visuaalselt keerukatest dokumentidest teabe väljavõtmine ja soovid avatud kaaludega mudelit, mida saab PaddleOCR-i kaudu juurutada. See on eriti asjakohane dokumentide puhul, mis sisaldavad tabeleid, valemeid, diagramme, pitserid, mitut keelt, lehekülgede vahel jätkuvaid jaotisi või ebatäiuslikes tingimustes jäädvustatud pilte.
- Vali see järgmistel juhtudel: mitmekeelne OCR, dokumendipaigutuse analüüs, tabelite väljavõtmine, valemite tuvastus, diagrammide mõistmine, pitserite tuvastus, skannitud leheküljed, moonutatud leheküljed ja ekraanipildid.
- Vali see siis, kui: oluline on lokaalne juurutamine, Apache 2.0 litsents ja kontroll järelduskeskkonna üle.
- Vali selle asemel suurem üldotstarbeline nägemis-keelemudel siis, kui: vajad laiapõhjalist vestlust, ulatuslikku üldist arutlusvõimet, kodeerimisabi, veebiotsingut või dokumendiparsimisest kaugemale ulatuvat tööriistade kasutamist.
- Vali selle asemel majutatud OCR-teenus siis, kui: eelistad hallatud lõpp-punkti ning selle hinnastus, andmekäitlustingimused ja kasutuslihtsus on olulisemad kui kohaliku mudeli üle kontrolli omamine.
- Kaalu PaddleOCR-VL-1.6 kasutamist siis, kui: soovid uuemat järeltulijat ja sinu juurutus saab üle minna ühilduvale praegusele arhitektuurile.
Tootmiskasutuse puhul testi tegelikust dokumendikogust pärit tüüpilisi lehekülgi, mitte ära tugine ainult võrdlustestide tulemustele. Kaasa madala kvaliteediga skannid, ebatavalised fondid, mitmel leheküljel jätkuvad tabelid, pitseritega leheküljed ja rakenduse jaoks olulised keeled. Samuti valideeri väljundvormingut, sest täpne tuvastus ei taga automaatselt puhast, andmebaasi jaoks sobivat skeemi.
Piirangud ja hetkeseis
PaddleOCR-VL-1.5 on spetsialiseerunud, mitte universaalne mudel. Selle kinnitatud tugiteenuste hulka ei kuulu heli- ega videojuhiste mõistmine, piltide genereerimine, video genereerimine, kõne, veebiotsing ega üldine tööriistade käivitamine. Olemasoleva teabe põhjal ei ole kindlaks määratud ka fikseeritud maksimaalset väljundtokenite arvu, majutatud API hinda ega teenusepakkuja tasemel JSON-skeemi funktsiooni.
131 072 tokeni konfiguratsiooni ei tohiks tõlgendada fikseeritud leheküljepiiranguna ning esitatud 94,5% võrdlustulemust ei tohiks pidada universaalseks täpsusnäitajaks. Jõudlus sõltub sisendist ja kogu OCR-i ning parsimise töövoost.
Praeguses PaddleOCR-i tootevalikus on versiooni 1.5 kõige parem käsitleda PaddleOCR-VL-1.6 olemasoleva ja kompaktse eelkäijana. See on endiselt kasulik juhul, kui selle avatud kaaludega litsents, juurutusühilduvus ja dokumendikesksed võimekused vastavad projekti nõuetele, kuid uued projektid peaksid enne selle standardiseerimist võrdlema seda uuema versiooniga.