⚡️ PaddleOCR-VL объяснили свою архитектуру и почему двухэтапный подход уверенно выигрывает у end-to-end моделей в сложных документах. 1) Этап 1: PP-DocLayoutV2 - система сначала понимает структуру страницы Модель определяет, какие элементы находятся на странице и в каком порядке их нужно читать. Используются RT-DETR для обнаружения текстовых блоков, таблиц, формул и графиков, а также Pointer Networks для предсказания человеческого порядка чтения. Благодаря этому исчезают ошибки структуры, и получается чистый список элементов. 2) Этап 2: PaddleOCR-VL-0.9B — этап точного распознавания Каждый элемент проходит через компактную, но очень точную VL-модель. Она использует динамическое разрешение в стиле NaViT без искажений, ERNIE 4.5-0.3B для быстрого декодинга и двухслойный MLP-проектор для объединения визуальной и языковой информации. Модель уверенно распознает текст, таблицы, графики и формулы при размере всего 0.9B параметров. 3) Зачем делить процесс на два этапа Такой подход дает стабильную работу на много-колоночных и смешанных макетах, повышает скорость обработки, потому что элементы идут параллельно, и облегчает расширение под новые типы данных вроде кода или схем. Специализированная задача получает специализированную модель. 4) Полный путь от PDF к структуре Сначала документ анализируется, затем элементы вырезаются, после этого распознаются и в конце собираются обратно в структуру. Результат получается в виде Markdown или JSON, которые готовы для поиска, RAG или автоматизации. В следующем материале команда покажет внутреннюю «фабрику данных» из более чем тридцати миллионов примеров с автолейблингом и подбором сложных кейсов. https://aistudio.baidu.com/paddleocr?lang=en