百度用一个仅0.9B参数的模型，在权威的文档解析评测榜单OmniDocBench V1.5上，拿下了92.6分的综合成绩，位列全球第一。
这个叫作PaddleOCR-VL的模型，发布不到一天，就在技术圈的开源社区Hugging Face上冲到了全球热度榜首。现在仍然霸榜。
它不只是总分高，在文本识别，公式识别，表格理解和阅读顺序这四个文档解析最核心的能力维度上，全都做到了业界最佳水平，是目前唯一一个在这四项上全部登顶的模型。
它还能处理109种语言，从常见的中文，英文，日文，韩文，到结构复杂的俄语（西里尔字母），阿拉伯语，印地语（天城文）和泰语，基本覆盖了全球主要语言体系。
这个事儿有意思的地方在于，当下大家普遍的认知是模型参数量越大，能力越强。百度这个0.9B参数的模型能取得这样的成绩，怎么做到的？
庖丁解牛，先把任务拆开
模型能做到又小又强，关键在于它的设计思路。PaddleOCR-VL没有选择做一个大而全的端到端模型，把一张文档图片直接扔进去，让模型自己搞定所有事。
那种方法听起来很酷，但在实际应用中常常会遇到麻烦，比如模型容易产生幻觉，搞错文本的阅读顺序，或者在处理复杂长文档时计算成本高得吓人，难以落地。
PaddleOCR-VL用的是一个两阶段架构。
