表格、公式、印章识别太难？OpenVINO™ Day 0 支持 PaddleOCR-VL-1.5：端侧文档解析一键 SOTA

OpenVINO™ 已完成 PaddleOCR-VL-1.5 的 Day 0 适配，并在英特尔® 酷睿™ Ultra 3系列上部署端到端文档解析流水线。

英特尔开发人员专区

577人浏览 · 2026-01-29 23:26:25

英特尔开发人员专区 · 2026-01-29 23:26:25 发布

作者：武卓

文档解析远不止“把字读出来”：真正难点是读懂复杂版面——表格要保结构、公式要保排版、图表要提信息，连印章这类弧形字在屏拍/倾斜/弯折时都很容易失真。今天发布的PaddleOCR-VL-1.5 正是为此而来：仅 0.9B 参数就在权威评测集 OmniDocBench v1.5 取得 94.5% 高精度，超越全球顶尖通用大模型与文档解析专用模型，登顶 SOTA；在自建 Real5-OmniDocBench 的扫描、弯折、屏拍、光照变化、倾斜等真实场景同样全面领先。更关键的是，它创新性支持文档元素“异形框/多边形”定位，在复杂采集下也能稳定返回更贴合的检测框；同时新增文本行定位/识别与印章识别，并强化古籍/生僻字、多语种表格等难点能力（含扩展藏语、孟加拉语），让文档解析从“能用”真正迈向“可上线、可规模化”。

今天，我们为端侧开发者带来一个好消息：

OpenVINO™ 已完成 PaddleOCR-VL-1.5 的 Day 0 适配，并在英特尔® 酷睿™ Ultra 3系列上部署端到端文档解析流水线。该流水线包含 PP-DocLayout（版面/区域检测）+ 视觉编码器 + LLM （如下图所示），并可将负载原生分解并加载到酷睿™ Ultra 3处理器的CPU + iGPU + NPU 三类引擎上，让端侧部署既“跑得动”，也“跑得稳”。

这次我们做的不只是“能跑”，而是把文档解析链路拆开，让每一段跑在更合适的引擎上：

PP-DocLayout（版面检测/区域定位）：擅长卷积/检测类算子，适合在 iGPU / NPU 上加速（看你的部署策略与驱动能力）
视觉编码器（NaViT 风格动态分辨率视觉编码）：对高分辨率文档更友好，视觉 token 化与编码阶段适合在 iGPU 上发挥吞吐优势
LLM（解析/生成结构化结果）：可在 CPU 或 iGPU 上平衡吞吐与延迟；同时把更多“规则性强/可并行”的部分卸载出去，显著降低 CPU 压力，让系统更“顺滑”

这是 OpenVINO™ 在英特尔® 酷睿™ Ultra 3系列平台上首次完成该类“端到端文档智能全链路”部署验证（包含版面模型 + 视觉编码器 + LLM 的组合链路）。

Step 1：环境搭建

git clone -b add_layout https://github.com/zhaohb/paddleocr_vl_ov.gitcd paddleocr_vl_ovpip install -e .

环境要求：Python 3.10+，OpenVINO 2025.4+。

Step 2：最短路径跑通

核心代码如下：

from paddleocr_vl_openvino.paddleocr_vl_pipeline import PaddleOCRVL
pipeline = PaddleOCRVL(    layout_model_path=pp_layout_model_path,   # 提前下载好转换好的PP-DocLayoutV3    vlm_model_path=paddleOCR-VLM_model_path,      # 提前下载好转换好的 VLM    # 设备策略（见 Step 3）    vlm_device="AUTO",    layout_device="AUTO",        # 可选：版面模型精度（fp16更快/更省内存；fp32更准）    layout_precision="fp16",      # 默认就是“性能/体积/效果”比较均衡的一组配置    vision_int8_quant=True,    llm_int8_compress=True,    llm_int8_quant=True,    llm_int4_compress=False,)
print("Starting recognition...")output = pipeline.predict("./test_images/paddleocr_vl_demo.png")
for res in output:    res.print()    res.save_to_json(save_path="output")    res.save_to_markdown(save_path="output")

Step 3：英特尔® 酷睿™ Ultra 3系列上的端侧部署闭环的“CPU + iGPU + NPU”加载建议

这个 pipeline 允许你分别给 layout detection 与 VLM 配设备，所以很适合在 AI PC 上做“混合部署”。

一键让 OpenVINO™ 自己调度
- vlm_device="AUTO"，layout_device="AUTO"（让系统按可用硬件自动选择）。

显式“把版面检测扔给 NPU，把 VLM 交给 iGPU”
- layout_device="NPU" + vlm_device="GPU"（CPU 负责整体编排与少量算子回退）。

Step 4：一键启动 Gradio 可视化 Demo（最适合 Day-0 展示）

仓库已内置 Gradio Web UI：上传文档图片 → 配置 pipeline → 输出 Markdown/JSON/可视化。

python client_app/main.py

启动后访问 http://localhost:7860 。操作路径（仓库 README 的指引）：

1. “Pipeline 配置” 初始化

2. “文档识别” 上传图片

3. 调参（threshold / max tokens 等）

4. 点“开始识别”查看 Markdown、JSON、可视化结果

最终的运行效果如下：

资源链接

PaddleOCR 官方站点 / API：https://www.paddleocr.com
PaddleOCR 开源仓库：https://github.com/PaddlePaddle/PaddleOCR
模型下载地址：https://huggingface.co/PaddlePaddle/PaddleOCR-VL-1.5
OpenVINO™ Notebooks仓库地址：https://github.com/openvinotoolkit/openvino_notebooks/pull/3263

到这里，你已经拿到了 PaddleOCR-VL-1.5 在英特尔® 酷睿™ Ultra 3系列上的端侧部署闭环：模型 Day 0 可用 → 端到端链路跑通 → 负载可拆分并加载到 CPU+iGPU+NPU。这意味着文档解析不再是“只能上云、只能堆资源”的能力，而是可以在 AI PC 上以更可控、更低占用、更可扩展的方式落地：从合同与票据抽取、到教育与小语种文档理解、再到古籍数字化与盖章核验，开发者都可以用 OpenVINO™ 把同一条推理链路工程化成服务/API/桌面应用，真正做到“端侧开箱即用”。