PaddleOCR-VL-1.6

PaddleOCR-VL-1.6 — это компактная модель для обработки документов от команды PaddlePaddle (Baidu). Архитектура модели полностью унаследована от PaddleOCR-VL-1.5 и состоит из четырёх ключевых блоков. Визуальный энкодер реализован в стиле NaViT (Native Resolution Visual Encoder) — это трансформер с динамическим разрешением, который обрабатывает патчи изображения в их исходном масштабе без принудительного ресайза, что критически важно для сохранения мелких деталей в документах. Коннектор — адаптивный MLP-мост (Adaptive MLP Connector), проецирующий визуальные признаки в пространство языковой модели. Текстовая модель — компактная ERNIE-4.5-0.3B от Baidu, обеспечивающая генерацию структурированного текстового вывода. В полном пайплайне обработки документов дополнительно используется четвертый элемент PP-DocLayoutV3 — модель анализа макета (layout), выполняющая многоточечную локализацию регионов с поддержкой перспективных искажений, изогнутых страниц и нестандартных компоновок.

Ключевая идея версии 1.6 заключается не в увеличении параметров или изменении архитектуры, а в целенаправленной работе с «недооптимизированными регионами» (Under-Optimized Regions) — участками данных, где предыдущая модель демонстрировала нестабильные предсказания. Для этого разработан специализированный Data Engine, который выявляет три типа проблемных зон: boundary-fragile (нестабильные предсказания при минимальных визуальных изменениях), coverage-sparse (редкие сценарии с недостаточным представительством в данных) и unreliable-supervision (ошибочные разметки в обучающем наборе). Далее применяется прогрессивный рецепт пост-тренировки CPT → SFT → RL (GRPO), где каждая стадия работает с определённым подмножеством данных в зависимости от его надёжности и обучающей ценности.

PaddleOCR-VL-1.6 в отличие от универсальных мультимодальных LLM (Gemini, GPT, Qwen-VL), узко специализирована на задачах OCR обработки документов и как результат при 0.9B параметров превосходит модели в 80–260 раз большего размера и демонстрирует лучший результат на OmniDocBench v1.6 (комплексная оценка парсинга PDF-документов: текст, формулы, таблицы, порядок чтения) - 96.33%, обходя MinerU2.5-Pro (95.75%), GLM-OCR (95.22%), Gemini 3 Pro (92.91%), Qwen3-VL-235B (89.78%) и GPT-5.2 (86.59%). На Real5-OmniDocBench (парсинг в реальных условиях: сканирование, деформация, съёмка с экрана, освещение, наклон) — также 1-е место (93.19%).

PaddleOCR-VL-1.6 ориентирована на широкий спектр задач работы с документами и наиболее эффективна там, где требуется высокая точность при ограниченных вычислительных ресурсах. Базовый сценарий: конвертация PDF, сканов и фотографий в Markdown/JSON с сохранением структуры, порядка чтения, таблиц и формул. Далее обработка сложных таблиц и финансовых документов — распознавание таблиц с объединёнными ячейками, вложенной структурой, без границ, включая финансовые отчёты, счета, регистрационные формы, статистические таблицы, с поддержкой склейки таблиц при переносе страниц и восстановление иерархии заголовков. Добавим работу со специализированными элементами — распознавание математических формул (вывод в LaTeX), парсинг графиков и диаграмм в табличные данные, чтение круглых/овальных/прямоугольных печатей и штампов даже при наложении текста и низком контрасте. И не стоит забывать о возможности End-to-end текстового споттинга — одновременная локализация и распознавание текста на удостоверениях личности, древних рукописях, рекламных постерах, скриншотах диалогов, вывесках, многоязычных изображениях. И всё это в рамках открытой лицензии Apache 2.0.

Для получения наиболее эффективного результата рекомендуется использование модели в связке с PP-DocLayout, подробнее об этом, а также об особенностях направления запросов к модели можно ознакомиться во ссылке https://docs.vllm.ai/projects/recipes/en/latest/PaddlePaddle/PaddleOCR-VL.html

Дата анонса: 27.05.2026
Параметров: 959M
Контекст: 132K
Слоев: 18
Тип внимания: Full Attention
Разработчик: Baidu, Inc.
Версия Transformers: 4.55.0
Версия vLLM: >=0.11.1
Лицензия: Apache 2.0

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с PaddleOCR-VL-1.6. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.

Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.

Мы рекомендуем создание частных инстансов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве,
• использовать кастомизированные веса: fine-tuned версии или lora-адаптеры.

Свяжитесь с нашей специализированной группой поддержки по нейросетям nn@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.