百度发布文档解析新王者：0.9B参数，96.33%得分新SOTA

文档解析能把一张张文档图片变成机器能读懂的结构化内容包括文字、表格、公式、图表、印章甚至阅读顺序和版面布局。这件事做得好不好直接决定了下游检索、推理、RAG检索增强生成系统能不能拿到干净靠谱的输入。百度PaddlePaddle团队发布并开源了PaddleOCR-VL-1.6。一个0.9B参数的紧凑模型在OmniDocBench v1.6上拿下96.33%的总分登顶榜首。PaddleOCR-VL-1.6精准找到上一代模型的薄弱环节对症下药补充了数据然后用三阶段递进式训练CPT-SFT-RL把数据的价值榨干从而获得了SOTA性能。 各类场景下都比上一代模型有明显提升。例如表格识别图表识别公式识别古籍识别生僻字识别印章识别扭曲图像识别弱点在哪里PaddleOCR-VL-1.5已经是一个很强的基线模型0.9B参数在OmniDocBench v1.5上得分94.93%。在基线的基础上剩下的错误呈现出一个有趣的特征它们不再均匀散布在各处而是集中出现在模型特定的薄弱区域。继续无差别地堆数据收效甚微因为大部分训练预算花在了模型已经搞定的部分上对薄弱区域的改善有限。PaddleOCR-VL-1.6的做法是从上一代模型出发系统性地诊断三类薄弱区域。第一类叫Boundary-Fragile Regions边界脆弱区域。有些样本稍微做点不影响语义的视觉扰动比如像素微移、JPEG压缩、轻微模糊模型输出就大幅变动。甚至不同训练后期的checkpoint对同一个样本的预测都不一致。模型在这些区域的决策边界很不稳定还没学到靠谱的映射。第二类叫Coverage-Sparse Regions覆盖稀疏区域。有些样本明明在训练集里出现过类似模式模型就是预测不对。原因是周围的数据分布太稀疏长尾文档模式被主流分布吞掉了。基于这些覆盖稀疏区域团队从内部大规模文档池中定向检索补充了长尾数据。第三类叫Unreliable-Supervision Regions不可靠监督区域。模型有时会稳定地输出高置信度的错误结果问题不在输入难在标签本身就错了。团队引入三个外部专家模型Qianfan-OCR、GLM-OCR、MinerU2.5-Pro对同一训练样本做独立预测与原始标签交叉验证。找出了薄弱区域团队给这些区域精准补充了标注数据。三步走练法数据准备好了PaddleOCR-VL-1.6 采用了 “模型驱动的数据引擎 渐进式后训练策略” 的整体优化框架。先从PaddleOCR-VL-1.5出发定位弱点再围绕这些弱点构建高价值数据最后通过继续预训练、监督微调、强化学习的渐进式后训练流程将新增数据的价值稳定注入模型。在不改变 0.9B 高效架构的前提下模型实现了更强的文档解析性能、鲁棒性和泛化能力。PaddleOCR-VL-1.6整个系统由两个模型组成PP-DocLayout V3做版面分析PaddleOCR-VL-1.6-0.9B做视觉语言理解。架构沿用PaddleOCR-VL-1.5的设计包含Native Resolution Visual Encoder原生分辨率视觉编码器、Adaptive MLP Connector自适应MLP连接器和ERNIE-4.5-0.3B语言模型。没有改架构没有加大参数提升全部来自更聪明的数据策略和更精细的训练流程。第一阶段是CPTContinued Pre-Training持续预训练1680万样本。这一步的目标是广撒网把数据引擎新挖出来的长尾样本古籍、罕见字符、工业表格等和修正后的标注全部灌进去让模型先覆盖新的分布。第二阶段是SFTSupervised Fine-Tuning监督微调730万样本。这一步聚焦难题精练数据来源有三个用UACSUncertainty-Aware Cluster Sampling不确定性感知聚类采样策略从CPT语料中挖出的难样本三个专家达不成共识的困难样本以及被Unreliable-Supervision挖掘修正了标签的样本。高质量、高难度专门打磨模型在脆弱区域的表现。第三阶段是RLReinforcement Learning强化学习用GRPO做强化训练49K样本。这一步的难点在于0.9B的小模型对RL数据质量非常敏感随意选样本容易顾此失彼在某个子集上提分的同时整体性能反而下降。训练效果高度依赖每个输入能否产生有信息量的奖励差异。对于语言模型只有0.3B的紧凑模型对噪声数据、过难数据、过易数据、奖励平坦数据都格外敏感。PaddleOCR-VL-1.6 设计了面向GRPO的高潜力样本挖掘策略用监督微调后的模型对候选样本进行多次轨迹采样并从提升潜力、生成不确定性和奖励方差三个维度筛选真正“可学习、有区分度、有收益空间”的样本。针对文档解析任务输出形式复杂、二值奖励过稀疏的问题PaddleOCR-VL-1.6 进一步精心设计可验证的奖励函数将输出映射到任务相关的规范表示并通过合法性、结构修正约束、真实得分三个维度提供稳定、可验证、任务对齐的奖励信号。0.9B登顶榜单OmniDocBench v1.6是当前文档解析最权威的评测基准之一新增了MGAMMulti-Granularity Adaptive Matching多粒度自适应匹配以减少匹配偏差还增加了296页的Hard子集覆盖复杂嵌套表格、密集公式布局和非常规文档结构。PaddleOCR-VL-1.6总得分96.33%排名第一。和上一代PaddleOCR-VL-1.5的94.93%相比提升了1.4个百分点。文本编辑距离降到0.033公式CDM得分97.49%表格TEDS得分94.76%表格结构TEDS得分97.11%阅读顺序得分0.127。各项子任务都刷新了纪录。更值得关注的是Real5-OmniDocBench上的表现。这个评测模拟真实场景包括扫描、弯折、屏幕拍照、光照变化和倾斜五种情况全部用手机实拍采集。PaddleOCR-VL-1.6总得分93.19%比上一代提升1.14个百分点排名榜首。0.9B的模型跑赢了Qwen3-VL-235B和Gemini 3 Pro这些百倍参数的通用大模型。子能力方面同样全面领先。困难表格识别1258个样本覆盖20种表格类型PaddleOCR-VL-1.6的TEDS得分91.71结构TEDS得分94.67比MinerU2.5-Pro高出近2个百分点。图表解析1801个样本11种图表类型RMS-F1总分91.74中文图表93.37比上一代提升11个百分点以上。文本定位9个维度总分87.47在古文书、日文、手写中文等维度均有提升。印章识别NEDNormalized Edit Distance归一化编辑距离低至0.119远超Qwen3-VL-235B的0.382。0.9B参数跑赢了241B的InternVL3.5、1T的KimiK2.5、235B的Qwen3-VL甚至超过了GPT-5.2。对行业来说PaddleOCR-VL-1.6以更低的部署成本可以在端侧和边缘设备上运行适合文档数字化、票据识别、档案管理等实际场景。这套诊断薄弱区域、精准补数据、递进训练的方法论提供了一条在紧凑模型上持续提升性能的可行路径。参考资料https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.6https://modelscope.cn/models/PaddlePaddle/PaddleOCR-VL-1.6https://github.com/PaddlePaddle/PaddleOCRhttps://arxiv.org/pdf/2606.03264