Was ist PaddleOCR-VL-1.6?
PaddleOCR-VL-1.6 ist ein kompaktes offenes Modell zur Dokumentanalyse vom PaddlePaddle-Team von Baidu, erschienen am 28. Mai 2026 unter Apache 2.0, mit einem technischen Bericht vom 2. Juni 2026. Es liest Text, Tabellen, Formeln, Diagramme und Stempel aus Seitenbildern in 109 Sprachen und ersetzt PaddleOCR-VL-1.5 ohne Umbau. Das Modell kombiniert einen visuellen Encoder im NaViT-Stil mit Baidus Sprachmodell ERNIE-4.5-0.3B, insgesamt etwa 960 Millionen Parameter.
Das Upgrade zielt auf Bereiche, in denen die Vorgängerversion Fehler machte, mit zusätzlichen Trainingsdaten dafür und Reinforcement Learning nach dem Training. Das Team meldet Verbesserungen bei Tabellen, alten chinesischen Dokumenten, seltenen Schriftzeichen, Stempeln und Diagrammen. Die Analyse ganzer Seiten läuft über die PaddleOCR-Pipeline, die dem VLM ein separates Modell zur Layout-Analyse vorschaltet.
Lohnt sich PaddleOCR-VL-1.6?
PaddleOCR-VL-1.6 bietet die beste Genauigkeit pro Parameter unter den offenen Dokumentparsern, mit der Einschränkung, dass die Genauigkeitswerte von den Entwicklern selbst stammen. Das Team meldet 96,33 % auf OmniDocBench v1.6 sowie neue Bestwerte auf v1.5 und auf seinem eigenen Real5-OmniDocBench, der Scans, verzogene Seiten, abfotografierte Bildschirme, schlechtes Licht und Schräglage testet. Ein früheres PaddleOCR-VL schlug DeepSeek-OCR 2 auf v1.5 schon in DeepSeeks eigenem Paper, mit 92,86 zu 91,09, was der Modellreihe etwas Unterstützung von außen gibt.
Die Bewertungsmethode verdient einen zweiten Blick. Laut Karte stammen die Werte der Konkurrenz von der öffentlichen OmniDocBench-Rangliste, außer bei Gemini 3 Pro, Qwen3-VL-235B und PaddleOCR-VL-1.6 selbst, die das Team eigenständig getestet hat. Wer Parser vergleicht, sollte eine Stichprobe eigener Dokumente neu durchlaufen lassen, statt sich auf eine so zusammengestellte Tabelle zu verlassen.
Die Kosten stecken im Deployment. Ergebnisse für ganze Seiten brauchen PaddlePaddle 3.2.1 oder neuer plus die Pipeline von PaddleOCR 3.6; der Weg über Transformers erkennt einzelne Elemente, aber keine ganzen Seiten. Laut Dokumentation braucht vLLM eine NVIDIA-Karte mit Compute Capability 8.0 oder höher (RTX-30-Serie, A10, A100) und warnt, dass T4- und V100-Karten zu Timeouts und Out-of-Memory-Fehlern neigen. Die offiziellen Docker-Images, etwa 8 GB groß, kommen aus einer Baidu-Registry in Peking, die manche Sicherheitsteams erst spiegeln wollen.
Die Größe bleibt das stärkste Argument. Mit etwa 960 Millionen Parametern, rund 1,9 GB in BF16, ist es ein Drittel so groß wie die Decoder mit 3 Milliarden Parametern in DeepSeek-OCR 2 und Unlimited-OCR, sodass eine einzelne GPU der Mittelklasse große Seitenmengen bedienen kann. Unlimited-OCR verarbeitet allerdings Dokumente mit 40 Seiten in einem Durchgang, was die seitenweise Pipeline von PaddleOCR-VL gar nicht erst versucht.
Wo es sich lohnt
Ein Data Engineer bei einem Versicherer, der gescannte Schadensformulare verarbeitet
Abfotografierte und schiefe Formulare in strukturierte Tabellen umwandeln
Betreibe die PaddleOCR-Pipeline mit dem VLM hinter einem vLLM-Server auf einer A10- oder RTX-Karte. Die Gewichte sind kostenlos; die Arbeit besteht darin, die Versionen von PaddlePaddle und vLLM aufeinander abzustimmen und mit eigenen Formularen zu testen, da jeder Wert vom Team stammt.
Eine ML-Engineerin, die einen RAG-Index über Forschungs-PDFs aufbaut
Formeln und Tabellen so genau extrahieren, dass sie durchsuchbar werden
Die seitenweise Analyse gibt Formeln und Tabellen als strukturierten Text zum Chunking aus. Jede Seite wird getrennt verarbeitet, lange Tabellen über mehrere Seiten müssen also nachträglich zusammengefügt werden.
Ein Archiv oder eine Bibliothek, die historische chinesische Dokumente digitalisiert
Seltene Schriftzeichen und Stempel in alten Handschriften erkennen
Version 1.6 bringt gezieltes Training für alte Dokumente, seltene Schriftzeichen und Stempel, und die Apache-2.0-Lizenz erlaubt Fine-Tuning auf einer privaten Sammlung ohne Gebühren.
Bevor du dich festlegst
- Einrichtung
- Installiere paddlepaddle-gpu 3.2.1+ und paddleocr[doc-parser] 3.6+ oder nutze Baidus Docker-Image (etwa 8 GB; 10 GB als Offline-Build); macOS braucht Docker.
- Integrationen
- PaddleOCR-CLI und Python-API, VLM-Serving über vLLM, SGLang oder FastDeploy, Transformers 5 für Aufgaben auf Elementebene, GGUF-Builds und ein selbst gehosteter API-Dienst über Docker Compose.
- Daten und Datenschutz
- Nur selbst gehostet, die Dokumente bleiben also auf deiner Hardware. Apache 2.0 erlaubt kommerzielle Nutzung und Fine-Tuning ohne Umsatzgrenze.
- Kosten im großen Maßstab
- Die Gewichte sind kostenlos und in BF16 etwa 1,9 GB groß, eine einzelne Karte der RTX-30-Serie oder eine A10 reicht also; einen Wert für Seiten pro Sekunde oder einen gehosteten Preis veröffentlicht der Hersteller nicht.
- Grenzen
- Seitenweise Verarbeitung; die Unterstützung in Transformers deckt nur einzelne Elemente ab; vLLM auf T4 oder V100 neigt zu Timeouts und Out-of-Memory-Fehlern; Verzeichnisse mit PDFs lassen sich nicht in einem Aufruf übergeben.
Was gut ist
- Laut Entwicklern 96,33 % auf OmniDocBench v1.6
- Etwa 0,96B Parameter, rund 1,9 GB in BF16
- Stark bei Tabellen, Formeln, Stempeln und Fotos aus der Praxis
- Apache 2.0, mit offiziellen GGUF-Builds
Was nicht
- Die Spitzenwerte sind selbst gemeldet
- Die Analyse ganzer Seiten braucht den PaddlePaddle-Stack
- Serving mit vLLM braucht eine GPU mit Compute Capability ab 8.0
- Keine gehostete API des Herstellers und keine veröffentlichten Durchsatzwerte
Am besten für
Teams, die Tabellen, Formeln und Text in großem Umfang aus unterschiedlichen einseitigen Dokumenten extrahieren.
Alternativen zu PaddleOCR-VL-1.6
PaddleOCR-VL-1.6: häufige Fragen
- Lohnt sich PaddleOCR-VL-1.6?
- Dokumentanalyse auf Spitzenniveau mit weniger als einer Milliarde Parametern, sofern du Baidus Werkzeugkette akzeptierst. Wir bewerten es mit 4.4 von 5.
- Was kostet PaddleOCR-VL-1.6?
- Kostenlos unter Apache 2.0. Kein gehosteter Preis des Herstellers veröffentlicht.
- Welche Nachteile hat PaddleOCR-VL-1.6?
- Die Spitzenwerte sind selbst gemeldet; Die Analyse ganzer Seiten braucht den PaddlePaddle-Stack; Serving mit vLLM braucht eine GPU mit Compute Capability ab 8.0; Keine gehostete API des Herstellers und keine veröffentlichten Durchsatzwerte.
- Für wen eignet sich PaddleOCR-VL-1.6?
- Teams, die Tabellen, Formeln und Text in großem Umfang aus unterschiedlichen einseitigen Dokumenten extrahieren.
- Was kostet PaddleOCR-VL-1.6 für ein Team oder im Produktivbetrieb?
- Die Gewichte sind kostenlos und in BF16 etwa 1,9 GB groß, eine einzelne Karte der RTX-30-Serie oder eine A10 reicht also; einen Wert für Seiten pro Sekunde oder einen gehosteten Preis veröffentlicht der Hersteller nicht.
- Ist PaddleOCR-VL-1.6 sicher für Firmendaten?
- Nur selbst gehostet, die Dokumente bleiben also auf deiner Hardware. Apache 2.0 erlaubt kommerzielle Nutzung und Fine-Tuning ohne Umsatzgrenze.
- Was sind die besten Alternativen zu PaddleOCR-VL-1.6?
- Die nächsten Alternativen, die wir getestet haben, sind Unlimited-OCR 2 und DeepSeek-OCR 2.
Antworten geprüft am 22. Okt. 2026.