OmniDocBench用於評估現實場景中多樣文檔解析的數據集。
2026年1月29日，新一代文檔解析模型PaddleOCR-VL-1.5在 OmniDocBench V1.5 榜單中取得了全球SOTA成績。
基本介紹
- 外文名：OmniDocBench
- 定義：評估現實場景中多樣文檔解析的數據集
發展歷程
2026年1月29日，新一代文檔解析模型PaddleOCR-VL-1.5在 OmniDocBench V1.5 榜單中取得了全球SOTA成績。
OmniDocBench用於評估現實場景中多樣文檔解析的數據集。
2026年1月29日，新一代文檔解析模型PaddleOCR-VL-1.5在 OmniDocBench V1.5 榜單中取得了全球SOTA成績。
PaddleOCR-VL-1.5是百度於2026年1月29日開源的OCR模型，該模型在OmniDocBench V1.5評測中取得了94.5%的準確率，綜合性能表現較好。該模型是PaddleOCR-VL模型的升級版，後者於2025年10月16日首次發布。該模型基於文心大模型開發，採用了異形框定位技術，可識別傾斜、彎折等物理形變文檔，在掃描、螢幕拍攝等多種...
GLM-OCR是智譜於2026年2月3日開源的一款輕量化多模態OCR模型，參數量為0.9B。該模型對手寫體、複雜表格、代碼文檔、印章識別及多語言混排等場景進行了最佳化。在OmniDocBench V1.5等多項文檔理解基準測試中，該模型的綜合成績為94.62分，在公式識別、表格識別、信息抽取等任務上表現較好。GLM-OCR支持通過vLLM、SG...
DeepSeek-OCR是DeepSeek AI於2025年10月20日發布的多模態模型，旨在探索視覺-文本壓縮邊界，專注於文檔識別及圖像轉文本場景的解決方案。2026年1月27日，DeepSeek發布升級版DeepSeek-OCR 2模型，在OmniDocBench v1.5基準測試中取得91.09%的成績，較前代提升3.73%。該模型由DeepEncoder編碼器與DeepSeek3B-MoE-...
PaddleOCR是百度開發的OCR模型。2026年3月，其在GitHub上的星標數突破7.33萬，關注度超過Tesseract OCR。其新一代文檔解析模型PaddleOCR-VL-1.5於2026年1月在OmniDocBench V1.5榜單中取得SOTA成績。PaddleOCR支持覆蓋110餘種語言的識別，並能對圖文混排、表格結構、公式符號等複雜文檔元素進行解析與結構化輸出，其...
MiniCPM-o 4.5在涵蓋8個主流基準的OpenCompass綜合評估中平均得分77.6分。其在MMBench（綜合視覺理解）、MathVista（數學推理）及OmniDocBench（文檔解析）等任務上表現較好。該模型支持處理最高180萬像素的高解析度圖像和最高10fps的高幀率視頻。在OmniDocBench基準測試中，其端到端英文文檔解析能力表現突出。通過較...
在OmniDocBench v1.5基準測試中，其綜合得分達91.09%，閱讀順序識別能力顯著提升，同時將單頁文檔所需視覺Token數量高效控制在256至1120之間。發展歷史 2026年01月27日，DeepSeek發布DeepSeek-OCR 2模型，採用DeepEncoder V2方法，並發布了技術報告《DeepSeek-OCR 2: Visual Causal Flow》。該架構使視覺編碼從固定...
在OmniDocBench v1.5基準測試中，該模型取得了91.09%的成績，相較於前代DeepSeek-OCR提升了3.73%。在實際生產環境中，該模型在處理線上用戶日誌和PDF預訓練數據時的重複率分別下降了2.08%和0.81%。此外，2026年4月，騰訊Robotics X實驗室聯合騰訊混元團隊推出專為具身智慧型打造的HY-Embodied-0.5系列模型。其...
Qianfan-OCR是百度千帆於2026年3月19日發布的端到端文檔智慧型模型。該模型基於統一的視覺語言架構，擁有40億參數，集成了文檔解析、版面分析、文字識別與語義理解能力。與傳統“檢測+識別+LLM”三段式OCR流水線不同，Qianfan-OCR採用統一的端到端架構，能夠直接從文檔圖像生成結構化結果。在OmniDocBench v1.5評測中，...
DeepSeek-OCR 2是DeepSeek於2026年1月27日發布並開源的模型。同日，DeepSeek團隊發布了題為《DeepSeek-OCR 2： Visual Causal Flow》的論文。該模型採用DeepEncoder V2架構，其設計旨在使視覺編碼從固定掃描轉向語義推理。在OmniDocBench v1.5評測中，其綜合得分為91.09%，較前代提升了3.73%。模型僅需256到...
Skill，免費獲取高精度PDF解析能力。2026年1月29日，新一代文檔解析模型PaddleOCR-VL-1.5在 OmniDocBench V1.5 榜單中取得了全球SOTA成績。3月，PaddleOCR在GitHub上的Star數突破73.3K，首次超越谷歌旗下開源OCR標桿產品Tesseract OCR（73.2K），成為全球Star數最高的OCR項目。
在相關測試中，其SWE-bench Verified成績為72.0，Terminal Bench 2成績為49.4，BFCL-V4函式調用能力成績為72.2，BrowseComp搜尋Agent能力成績為63.8。多模態視覺理解能力 在相關測試中，其MMMU-Pro成績為76.9，OmniDocBench v1.5成績為89.8，OCRBench成績為92.1，MathVision成績為86.2。視覺Agent能力 在相關...
在性能方面，搭載Visual Causal Flow的模型在OmniDocBench v1.5基準測試中綜合得分達到91.09%，較前代模型提升了3.73%。在處理效率上，該架構僅需256到1120個視覺Token即可覆蓋複雜的文檔頁面，顯著降低了下游大語言模型的計算開銷。在與同類模型的對比中，DeepSeek-OCR 2在文檔解析編輯距離等指標上表現優於Gemini-...
實驗結果表明，DODO在OmniDocBench測試中處理複雜學術文檔時錯誤率僅為0.066，在Fox-Page-EN純文本識別測試中錯誤率為0.041，處理一個包含148個辭彙的文檔僅需15個處理步驟。原理 OCR（Optical Character Recognition，光學字元識別）是通過圖像處理與模式識別技術，將掃描或拍攝的文檔圖像轉換為可編輯文本的自動化過程...
水印干擾、複雜排版等場景。在多項評測中：在OmniDocBench V1.5評測中得分為95.1；在D4LA評測中F1分數達90.8；在DocLayNet評測中F1分數達95.9，在表格識別、微小文本檢測方面表現較好。該模型的發布體現了AI從識別文字向理解業務邏輯的拓展，為政務、醫療、金融等行業的數位化轉型提供了技術支持。
在通用認知能力評測MMLU-Pro、博士級難題GPQA、指令遵循IFBench等基準測試中，其得分超越了GPT-5.2、Claude 4.5等國際頂級模型。在多模態推理（MathVison）、視覺問答（RealWorldQA）、文檔理解（CC_OCR、OmniDocBench）、空間智慧型（RefCOCO-avg）及視頻理解（MLVU）等視覺能力評測中也斬獲最佳性能。Qwen3.5系列...
WPS 365具備底層文檔處理能力，其自研Monkey OCR模型在國際權威文檔解析榜單OmniDocBench V1.5中取得綜合性能全球第一，表格召回準確率達95%以上，為知識治理和識別提供技術保障。在知識架構上，WPS 365通過智慧型文檔庫等產品，將組織全域知識激活、存儲、治理和套用，其知識增強生成（KAG）架構和知識數據中心（KDC）旨在...
官方測試顯示，LongCat-Next在視覺理解（如OmniDocBench0.152/0.226、MathVista 83.1）、圖像生成（LongText-Bench 93.15）、音頻（如TTS任務WER低至1.90）以及純文本任務（MMLU-Pro 77.02、C-Eval86.80）等多個維度上均達到先進水平。模型及dNaViT分詞器已在GitHub開源，技術報告、模型權重及Demo體驗地址也一...
PaddleOCR支持超100種語言識別，其新一代文檔解析模型PaddleOCR-VL-1.5於2026年1月29日在OmniDocBench V1.5榜單中取得全球SOTA成績。自2024年起，其Star數呈現爆發式增長，同時，2025年以來DeepseekOCR、HunyuanOCR、GLM OCR等基於大模型的OCR產品相繼發布。這種特性要求使用該詞時需註明具體時間節點、技術代際特徵或...