PaddleOCR-VL (paddleocr-vl)

paddleocr-vl 解析一页文档。它找出版面区块（文本、标题、表格、公式、图片等），识别每个区块，并按阅读顺序返回各区块，同时返回整页的 Markdown。表格以 HTML 表格表示，公式以 LaTeX 表示。

模型 ID	paddleocr-vl（接口的默认模型）
模型	PaddleOCR-VL 1.6（0.9B），配合 PP-DocLayoutV3 版面分析（PaddlePaddle）
权重	PaddleOCR 官方 PaddleOCR-VL 1.6（0.9B）与 PP-DocLayoutV3
用例	文档解析、文字识别（OCR）
接口	POST /v1/documents/parse
模型池	付费池：从余额中扣费
计费单位	page。单位与价格：计费
许可证	Apache-2.0

工作原理

一次调用是对一页图片的两步流水线：先做版面分析，再识别每个区块。因此模型一次读取一个区域，而不是整页。计费对应的是页。

版面分析。 PP-DocLayoutV3 把页面切分为区块，为每个区块给出类型（text、title、table、formula、figure、caption、header、footer、list 或 other）和框。同一步骤还确定区块的阅读顺序：双栏页面按栏依次阅读。

区块识别。 每个区块交给 PaddleOCR-VL 1.6（0.9B）。这是一个视觉语言模型，读取区块图像并写出其内容：普通文字、HTML 表格，或公式的 LaTeX。没有文字的区块（例如图片）不返回 text。

拼装。 各区块按阅读顺序拼接为整页的 Markdown。图片不会作为图像文件返回。

识别对每个区块各运行一次，但一次调用只计为一个 page，与页面有多少区块无关。

各用例下的特性

文档解析

paddleocr-vl 是 POST /v1/documents/parse 的默认模型，适用于发票、论文、报告和书页。

• 页面的每个区域作为一个区块返回，包含 type、order（阅读顺序，从 0 开始，由模型判定）、bbox，以及识别出的 text 和 markdown。
• 表格是 HTML <table> 元素，同时出现在 text 和 markdown 中。独立成行的公式是以 $$ 包围的 LaTeX；夹在正文行内的公式留在该区块的 text 和 markdown 中，以 $ 包围。
• 响应还包含整页的 markdown。options.blocks 为 false 时不返回 blocks，只返回 markdown。
• 每次请求为一页图片，pages 始终为 1。多页 PDF 输入暂不可用。

用例说明与调用示例：文档解析。

文字识别（OCR）

paddleocr-vl 可以读取任何页面图片中的文字，但返回区块而不是纯文字行。截图、裁剪区域和复制文字类 OCR 的低成本选择是 ppocr-v6。

与 ppocr-v6 的对比：文字识别（OCR）。

限制与说明

• 每次调用一张页面图片。暂不接受多页 PDF。
• 图片限制：详见图片。Stack 在识别前会为模型缩放页面。所有坐标均为摆正后的原图的像素，其尺寸由 image.width 和 image.height 返回。
• 延迟：录制的调用（用例页面中的调用示例）中 timing.processingMs 为 1294 ms。该数值取决于页面、排队情况和节点负载，不构成保证。