PaddleOCR-VL-1.6は、コンパクトな0.9Bパラメータの視覚言語モデルで、OmniDocBench v1.6ベンチマークで96.3%の精度を達成し、新たなSOTAを確立しました。このモデルは、テキスト、数式、表の認識で大幅な改善を示し、古文書、珍しい文字、印章、複雑な図表などの困難なシナリオでの機能も強化しています。主な特徴は、MarkdownとJSONの両方の形式で構造化された結果を出力できることで、ドキュメント処理ワークフローへの統合を簡素化します。OCR、ドキュメントのデジタル化、自動データ抽出に取り組む開発者にとって、このリリースは商用ソリューションに代わる強力なオープンソースの選択肢を提供します。モデルのコンパクトなサイズは、リソースが制約された環境での展開を可能にし、本番システムでの高品質なドキュメント理解への障壁を低くする可能性があります。
PaddleOCR-VL-1.6はOmniDocBenchで96.3%を達成し、テキスト・数式・表の認識を改善し、構造化出力をサポート。