PaddleOCR-VL-1.6とは？
PaddleOCR-VL-1.6は、BaiduのPaddlePaddleチームによる小型のオープンな文書解析モデルで、2026年5月28日にApache 2.0で公開され、2026年6月2日に技術レポートが出ました。109言語のページ画像から、テキスト、表、数式、グラフ、印影を読み取り、PaddleOCR-VL-1.5とそのまま置き換えられます。NaViT型の視覚エンコーダーとBaiduのERNIE-4.5-0.3B言語モデルを組み合わせ、合計で約9億6,000万（0.96 billion）パラメータです。
今回の更新は、前のバージョンが誤りを犯していた領域を対象とし、そうした領域の学習データを追加し、学習後に強化学習を行いました。チームは、表、古い中国語の文書、珍しい文字、印影、グラフでの改善を報告しています。ページ全体の解析はPaddleOCRのパイプラインで行い、VLMの前段に別のレイアウト解析モデルが加わります。
PaddleOCR-VL-1.6は使う価値があるか？
PaddleOCR-VL-1.6は、オープンな文書解析モデルの中でパラメータあたりの精度が最も高いモデルです。ただし、精度の数値は開発元のものです。チームはOmniDocBench v1.6で96.33%、v1.5と独自のReal5-OmniDocBenchでも最高値を報告しています。Real5-OmniDocBenchは、スキャン、歪んだページ、画面の写真、照明不足、傾きをテストするものです。以前のPaddleOCR-VLは、DeepSeek自身の論文でv1.5においてDeepSeek-OCR 2を92.86対91.09ですでに上回っており、この系統には外部からの裏付けも多少あります。
採点方法は再確認に値します。カードによると、競合の数値は公開されたOmniDocBenchのリーダーボードからのものですが、Gemini 3 Pro、Qwen3-VL-235B、そしてPaddleOCR-VL-1.6自身はチームが独自に実行しました。解析モデルを比較する買い手は、そうして組み立てられた表に頼るのではなく、自分の文書のサンプルで実行し直すべきです。
コストがかかるのはデプロイです。ページ全体の結果を得るには、PaddlePaddle 3.2.1以降とPaddleOCR 3.6のパイプラインが必要です。Transformers の経路は個々の要素は認識しますが、ページ全体は扱えません。ドキュメントによると、vLLMにはcompute capability 8.0以上のNVIDIAのカード（RTX 30シリーズ、A10、A100）が必要で、T4とV100のカードはタイムアウトやメモリ不足のエラーが起きやすいと警告しています。また、約8 GBの公式Dockerイメージは北京にあるBaiduのレジストリから取得するため、セキュリティチームによっては先にミラーしたいと考えるでしょう。
最も強い論拠は今もサイズです。約9億6,000万（0.96 billion）パラメータ、BF16でおよそ1.9 GBで、DeepSeek-OCR 2やUnlimited-OCRの30億パラメータのデコーダーの3分の1の大きさなので、中位のGPU 1枚で大量のページを処理できます。それでも、Unlimited-OCRは40ページの文書を1回で処理でき、PaddleOCR-VLのページ単位のパイプラインはそれを試みません。
真価を発揮する場面
スキャンした保険金請求書を処理する保険会社のデータエンジニア
撮影された傾いた書類を構造化された表に変換する
A10かRTXクラスのカード1枚で、vLLMサーバーの背後にVLMを置いてPaddleOCRのパイプラインを動かします。重みは無料です。手間はPaddlePaddleとvLLMのバージョンを揃え続けることと、スコアはすべてチームのものなので自社の書類でテストすることです。
研究論文のPDFでRAGのインデックスを作るMLエンジニア
検索できるほど正確に数式と表を抽出する
ページ単位の解析は、数式と表をチャンク分割用の構造化テキストとして出力します。各ページは別々に処理されるため、ページをまたぐ長い表は後でつなぎ合わせる必要があります。
歴史的な中国語の文書をデジタル化するアーカイブや図書館
古い写本の珍しい文字や印影を認識する
バージョン1.6では古い文書、珍しい文字、印影向けの学習が追加されており、Apache 2.0のライセンスなら非公開のコレクションで料金なしにファインチューニングできます。
導入前に確認すること
- 導入
- paddlepaddle-gpu 3.2.1以降とpaddleocr[doc-parser] 3.6以降をインストールするか、BaiduのDockerイメージ（約8 GB、オフライン版は10 GB）を動かします。macOSではDockerが必要です。
- 連携
- PaddleOCRのCLIとPython API、vLLM、SGLang、FastDeployによるVLMの提供、要素単位の処理向けのTransformers 5、GGUFビルド、Docker ComposeによるセルフホストのAPIサービス。
- データとプライバシー
- セルフホストのみなので、文書は自前のハードウェアにとどまります。Apache 2.0は売上の上限なしで商用利用とファインチューニングを認めています。
- 大規模利用時のコスト
- 重みは無料でBF16で約1.9 GBなので、RTX 30シリーズかA10のカード1枚で提供できます。公式の毎秒ページ数の数値もホスト型の価格も公開されていません。
- 制限
- ページ単位の処理です。Transformersの対応は個々の要素のみ。T4やV100でのvLLMはタイムアウトやメモリ不足のエラーが起きやすいです。PDFのディレクトリを1回の呼び出しで渡すことはできません。
良い点
- 開発元によると、OmniDocBench v1.6で96.33%
- 約0.96Bパラメータ、BF16でおよそ1.9 GB
- 表、数式、印影、実世界の写真に強い
- Apache 2.0で、公式のGGUFビルドがある
気になる点
- 主要なスコアは自己申告
- ページ全体の解析にはPaddlePaddleの環境が必要
- vLLMでの提供にはcompute capability 8.0以上のGPUが必要
- 公式のホスト型APIも公開されたスループットもない
おすすめの人
多様な1ページの文書から、表、数式、テキストを大規模に抽出するチームに向いています。
PaddleOCR-VL-1.6の代替
PaddleOCR-VL-1.6：よくある質問
- PaddleOCR-VL-1.6は使う価値があるか？
- 10億パラメータ未満で表の首位に立つ文書解析ですが、Baiduのツールチェーンを受け入れることが条件です。 評価は5点満点中4.4点です。
- PaddleOCR-VL-1.6の料金は？
- Apache 2.0で無料です。公式のホスト型の価格は公開されていません。
- PaddleOCR-VL-1.6の欠点は？
- 主要なスコアは自己申告; ページ全体の解析にはPaddlePaddleの環境が必要; vLLMでの提供にはcompute capability 8.0以上のGPUが必要; 公式のホスト型APIも公開されたスループットもない.
- PaddleOCR-VL-1.6は誰に向いているか？
- 多様な1ページの文書から、表、数式、テキストを大規模に抽出するチームに向いています。
- チームや本番環境でPaddleOCR-VL-1.6を使うと費用はいくらか？
- 重みは無料でBF16で約1.9 GBなので、RTX 30シリーズかA10のカード1枚で提供できます。公式の毎秒ページ数の数値もホスト型の価格も公開されていません。
- PaddleOCR-VL-1.6は企業データを扱っても安全か？
- セルフホストのみなので、文書は自前のハードウェアにとどまります。Apache 2.0は売上の上限なしで商用利用とファインチューニングを認めています。
- PaddleOCR-VL-1.6の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はUnlimited-OCR 2 、 DeepSeek-OCR 2です。
回答確認日：2026年10月22日