科技财经观察2025年09月14日 11:23消息，百度发布PP-OCRv5，仅0.07B参数，部分测试超越GPT-4o。
IT之家9月13日讯，百度于9月10日在HuggingFace平台推出了新一代文字识别技术PP-OCRv5。
百度介绍称，PP-OCRv5是一个为解决大型视觉语言模型（VLMs）不足而开发的专用OCR模型，它提供了一个高效、精准且轻量级的解决方案。
PP-OCRv5 通过保持模块化、两阶段的流程，专门针对高速、精确的文本检测和识别，解决了大型 VLMs 的精确文本定位和边界框精度局限性问题。
PP-OCRv5 的亮点如下：
效率：该模型参数量仅为 0.07B，能够在 CPU 和边缘设备上实现更高性能，其移动版本在英特尔 Xeon Gold 6271C CPU 上每秒可处理超过 370 个字符。
性能：PP-OCRv5 在 OCR 特定基准测试中优于通用型 VLM 模型，如 Gemini 2.5 Pro、Qwen2.5-VL 和 GPT-4o，包括手写和印刷的中英文以及拼音文本。
定位：PP-OCRv5 旨在提供精确的文本行边界框坐标，这对于结构化数据提取和内容分析是关键要求。
多语言支持：该模型支持简体中文、繁体中文、英文、日文和拼音五种文字类型，并能够识别超过40种语言。 在当前多语种信息传播日益频繁的背景下，这一技术能力显得尤为重要。无论是跨文化交流还是国际化内容处理，具备多种语言支持的模型都能有效提升信息处理的效率与准确性。尤其在新闻报道、学术研究以及国际业务沟通中，这种多语言识别能力有助于打破语言壁垒，促进更广泛的信息共享与理解。
PP-OCRv5 由四个核心组件构成：
图像预处理：处理图像的旋转和畸变，以标准化输入。
文本检测：识别图像中文本行的精确位置。
文本行方向：在进行文本识别之前，需要对检测到的文本方向进行分类，以确保其能够正确对齐，从而提高识别的准确性。 我认为，文本方向的准确判断对于后续的识别工作至关重要。尤其是在处理多角度拍摄或非标准排版的文本时，正确的方向识别可以显著提升识别效率和结果的可靠性。这一技术细节虽然不常被公众关注，但在实际应用中却起着基础性的作用。
文本识别：将每行文本中的字符解码为文本字符串。
IT 之家附 PP-OCRv5 下载地址如下：
https://huggingface.co/collections/PaddlePaddle/pp-ocrv5-684a5356aef5b4b1d7b85e4b
