百度推出超轻量文字识别模型 PP-OCRv5：0.07B 参数，性能超越 GPT-4o

智融视界2025年09月14日 10:19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日消息，百度于9月10日在HuggingFace平台推出了新一代文字识别解决方案PP-OCRv5。这一发布展示了百度在自然语言处理和计算机视觉领域的持续投入与技术积累，也反映出其在全球开源社区中的活跃度。PP-OCRv5的推出，不仅为开发者提供了更高效、准确的文字识别工具，也为相关应用场景带来了更多可能性。在当前AI技术快速发展的背景下，此类技术的持续优化和开放共享，对推动行业进步具有积极意义。

　　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：该模型支持五种文字形式——简体中文、繁体中文、英文、日文和拼音，并能够识别超过40种语言。

　　 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：对检测到的文本方向进行分类，以确保其正确对齐，从而提高识别准确性。

　　文本识别：将每行文本中的字符解码为文本字符串。