2025年10月，百度开源的PaddleOCR-VL模型成为当前OCR领域的最强模型。尽管仅0.9B参数量，该模型在评测集OmniDocBench v1.5中表现优异，综合得分92.56，超越DeepSeek-OCR的86.46。PaddleOCR-VL采用两步架构：先通过PP-DocLayoutV2进行布局分析，再由核心模型处理分块任务，显著提升效率与准确性。其在扫描PDF、手写笔记、论文排版及复杂表格等场景中均表现出色，识别精准且成本低，适合实际应用。目前模型已开源，可通过飞桨、魔搭或Hugging Face平台体验。PaddleOCR-VL以高效和实用取胜，为文档解析领域树立新标杆。

2025年10月17日，百度发布并开源了自研多模态文档解析模型PaddleOCR-VL，以仅0.9B参数量登顶OmniDocBench V1.5榜单，综合得分92.6，成为全球性能第一的OCR模型。该模型在文本识别、公式识别、表格理解、阅读顺序四大核心能力上全面刷新SOTA，支持109种语言及复杂场景解析。其创新两阶段架构和轻量化设计使其在效率与精度上领先同类模型，并能在单张A100 GPU上实现1881 token/s的推理速度。PaddleOCR-VL已在GitHub开源，技术报告和体验Demo同步上线，标志着中国模型在全球多模态文档解析领域树立新标准。

5月8日，英伟达开源了其OCR（Open Code Reasoning）代码推理AI模型套装，包含32B、14B和7B三种参数规模，均采用Apache 2.0许可证发布，并可在Hugging Face平台下载。OCR模型基于Nemotron架构训练，专为多语言、多任务优化。其中，32B模型适用于高性能场景，14B模型平衡性能与资源消耗，7B模型则适合资源受限环境。32B模型还推出指令微调版本，兼容多种主流框架。在LiveCodeBench基准测试中，OCR模型全面超越OpenAI的o3-Mini和o1(low)模型，展现了强大的代码推理能力。该成果得益于英伟达定制的高质量OCR数据集，聚焦指令遵循、推理及多步骤问题解决能力。

通用端到端OCR模型GOT开源，挑战多模态大模型的优越性。Vary团队通过实验展示了GOT在多种场景下的强大能力，包括PDF图像转Markdown、双栏文本感知、自然场景及细粒度OCR、动态分辨率OCR和多页OCR等。 虽然GOT表现优秀，但仍存在局限性，如多语言支持、复杂几何图形和图表上的OCR性...