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CPT（Continued 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SFT（Supervised 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UACS（Uncertainty-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RL（Reinforcement 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MGAM（Multi-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，NED（Normalized 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-1.6

https://modelscope.cn/models/PaddlePaddle/PaddleOCR-VL-1.6

https://github.com/PaddlePaddle/PaddleOCR

https://arxiv.org/pdf/2606.03264