96.3% 精度的轻量文档解析来了:PaddleOCR v3.6.0 用区域感知训练把小模型推上新高度

96.3% · OmniDocBench · PaddleOCR-VL-1.6 · 区域感知优化 · 渐进式训练 ·
SDK 三件套 · 多页 TIFF —— PaddleOCR v3.6.0 把 0.9B 轻量文档
VLM 的精度天花板又推高了一截，同时补齐了异步 API 的多语言 SDK，
覆盖 Python、Go、TypeScript 三类生态。

定位：从 OCR 到文档智能的桥梁

PaddleOCR 是百度飞桨生态下的 OCR 工具包与文档 AI 引擎，GitHub
78,866 Stars，被 Dify、RAGFlow、Pathway、Cherry Studio 等主流
RAG / Agent 项目广泛集成。项目覆盖两条主线：一是 PP-OCRv5 为代表的
多语言场景文本识别（100+ 语言，单模型仅 2M 参数，推理极快），二是指
PaddleOCR-VL 系列——轻量文档视觉语言模型，将 PDF 和图片转为
Markdown / JSON，直接为 LLM 提供结构化输入。从 v3.3.0（2025 年 10 月）
首发 PaddleOCR-VL 至今，项目保持着约两个月一个大版本的密集发版节奏。
每次迭代都在文档解析精度和场景覆盖上往前推一步，v3.6.0 已是第四个
VL 能力迭代版本。

除了核心模型，PaddleOCR 还提供 PP-StructureV3 版面分析管线、
PP-DocTranslation 文档翻译、PP-ChatOCRv4 文档问答等 Pipeline，
以及最近新增的 MCP Server 和 Agent Skills，让 LLM Agent 可以直接
调用文档解析能力。

场景：文档 AI 管线里的精度痛点

将企业 PDF、扫描件、古籍或复杂表格转为 LLM 可读的结构化数据，
是 RAG 和 Agent 应用的第一道关卡。旧方案普遍面临几个硬骨头：

表格结构识别——多行合并单元格、跨页拆分表、无框线表，输出
常把行列关系打乱。表格数据一旦错位，后续的 LLM 提问环节全部产生
幻觉。

生僻字与古籍——中文 OCR 在生僻字、繁体竖排、古文异体字场景下
准确率骤降。古籍数字化项目里，一个字识别错误就可能导致搜索漏召回，
甚至语义误判。

印章遮挡与图文重叠——公文、合同、发票上印章经常覆盖正文关键字段。
传统 OCR 对此只能当作背景噪声忽略，导致关键信息（日期、金额、签章
方）系统性丢失。

多语言混合与公式——同一份学术论文可能混排中、英、日文和 LaTeX
数学公式。模型在语种切换处容易丢字符或误切分，公式结构更难还原。

v3.5.0（2026 年 4 月）的 PaddleOCR-VL-1.5 已在 OmniDocBench 拿到
94.5%，远超多数闭源方案。但对于表格完整性、古籍精度等专项场景，
用户实测仍能感知明显短板。v3.6.0 明确针对这几个方向做专项强化。

这一版的核心能力提升

精度再破纪录：OmniDocBench 96.33%

PaddleOCR-VL-1.6（保持 0.9B 参数规模）在权威文档解析评测集
OmniDocBench v1.6 上拿到 96.33%，同时在 v1.5 和
Real5-OmniDocBench 两个基准上也刷新了 SOTA。文本、公式、表格
三项核心任务的精度全面领先当前开源方案，并超越 GPT-4o 等闭源通用
大模型。对于「文档解析到底准不准」这个高频提问，这个数字给出了
足够强硬的答案。

专项场景显著增强

表格识别：跨行合并表、无框线表的输出完整度大幅改善，不再把跨页表
拆成两个独立片段。古籍与生僻字：竖排繁体、异体字、古文排版的识别
精度是这一版最突出的增量，古籍数字化团队可以期待接近可用的准召率。
印章识别与文本检测：被印章覆盖的字段不再被吞掉，印章本身也能被
独立检出。图表解析：饼图、柱状图、折线图的数值提取和结构还原
也有明显改进。

零成本迁移

1.6 的模型结构与 1.5 完全一致——输入输出格式、预处理方式、推理
入口均无变化。现有 PaddleOCR-VL-1.5 用户直接替换权重，无需改
业务代码即可完成升级。

官方异步 API SDK 三件套

v3.6.0 发布了 PaddleOCR 官方 API 的 Python、Go、TypeScript
三种异步 SDK。每个 SDK 都封装了完整的任务生命周期——提交文档解析
或 OCR 请求、异步轮询状态、拉取结果、处理超时与重试。Python SDK
基于 asyncio + aiohttp，Go SDK 使用 net/http + goroutine，
TypeScript SDK 基于原生 fetch + async/await。开发者只需几行
代码就能接入云端 API，不需要再手写 HTTP 轮询逻辑。

from paddleocr import AsyncPaddleOCRClient
client = AsyncPaddleOCRClient(api_key="...")
result = await client.parse_document("invoice.pdf")
print(result.to_markdown())

多页 TIFF 原生支持

直接传入多页 TIFF 文件路径，PaddleOCR 自动逐页解析并合并为结构化
输出，不需要手动拆页或调用外部工具预处理。

为什么 0.9B 能做出大模型级别的精度

0.9B 参数在 OmniDocBench 上拿到 96.33%，超过多数 7B+ 通用 VLM，
归结于两项训练侧创新：

区域感知数据优化框架（Region-Aware Data Optimization）——
传统训练流程对整张文档图片直接做 OCR 标注，表格线、公式符号等
细粒度区域边界会被全局 Loss 抹平。区域感知框架先通过布局检测做
区域级分割，然后对每个区域（表格、文本块、公式区）独立做标注质量
优化：表格区侧重单元格边界对齐，公式区侧重符号顺序和嵌套结构。
模型训练时能同时看到全局语义和局部边界信号。

渐进式后训练方案（Progressive Post-Training）——不一次性用全部
数据做微调。分阶段注入：第一阶段强化通用文本和公式识别；第二阶段
加入表格结构理解和古籍样本；第三阶段注入印章、图表、生僻字等长尾
场景。每阶段保留前序能力的同时叠加新技能，避免阶段性灾难性遗忘。
当新能力训练影响旧能力时，通过重放（replay）前序阶段的部分样本
做稳定化。

这种「数据精炼 + 课程学习」的组合，让 0.9B 模型在专项场景上做到
大模型级别的精度，同时推理耗时只有 7B 模型的 1/5 左右，适合批量
文档管线和边缘部署。

最后回到使用姿势：如果你的 RAG 管线刚好在用 PaddleOCR-VL-1.5，
v3.6.0 的升级几乎没有成本——换权重、调 API（如果用了异步 SDK）。
对那些还在用手动拆 PDF + 正则提取的老方案来说，现在是用一个
96.33% 精度的 0.9B VLM 一次性替换整套管线的好时机。