arXiv 2507.055952025-07-08cs.CV

PaddleOCR 3.0 技术报告

PaddleOCR 3.0 Technical Report

PaddlePaddle Team, Baidu Inc.（百度公司）

Cheng Cui, Ting Sun, Manhui Lin, Tingquan Gao, Yubo Zhang, Jiaxuan Liu, Xueqing Wang, Zelun Zhang, Changda Zhou, Hongen Liu, Yue Zhang, Wenyu Lv, Kui Huang, Yic… 展开作者

Cheng Cui, Ting Sun, Manhui Lin, Tingquan Gao, Yubo Zhang, Jiaxuan Liu, Xueqing Wang, Zelun Zhang, Changda Zhou, Hongen Liu, Yue Zhang, Wenyu Lv, Kui Huang, Yichao Zhang, Jing Zhang, Jun Zhang, Yi Liu, Dianhai Yu, Yanjun Ma

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

PaddleOCR 3.0 是一个开源 OCR 与文档解析工具包，通过 PP-OCRv5、PP-StructureV3 和 PP-ChatOCRv4 三大方案，以不足 1 亿参数实现媲美数十亿参数 VLM 的精度与效率，并提供高效训练、推理和部署工具。

摘要：

本技术报告介绍了 PaddleOCR 3.0，这是一个采用 Apache 许可证的开源工具包，用于 OCR 和文档解析。为了满足大语言模型时代对文档理解日益增长的需求，PaddleOCR 3.0 提出了三大解决方案：（1）用于多语言文本识别的 PP-OCRv5，（2）用于分层文档解析的 PP-StructureV3，以及（3）用于关键信息提取的 PP-ChatOCRv4。与主流视觉语言模型（VLM）相比，这些参数少于 1 亿的模型在准确性和效率上具有竞争力，可与数十亿参数的 VLM 相媲美。除了提供高质量的 OCR 模型库外，PaddleOCR 3.0 还提供了用于训练、推理和部署的高效工具，支持异构硬件加速，并使开发者能够轻松构建智能文档应用。

英文摘要：

This technical report introduces PaddleOCR 3.0, an Apache-licensed open-source toolkit for OCR and document parsing. To address the growing demand for document understanding in the era of large language models, PaddleOCR 3.0 presents three major solutions: (1) PP-OCRv5 for multilingual text recognition, (2) PP-StructureV3 for hierarchical document parsing, and (3) PP-ChatOCRv4 for key information extraction. Compared to mainstream vision-language models (VLMs), these models with fewer than 100 million parameters achieve competitive accuracy and efficiency, rivaling billion-parameter VLMs. In addition to offering a high-quality OCR model library, PaddleOCR 3.0 provides efficient tools for training, inference, and deployment, supports heterogeneous hardware acceleration, and enables developers to easily build intelligent document applications.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。