PaddleOCR-VL — 0.9B 超紧凑文档解析 VLM（百度，2025）
📄 原文：arXiv:2510.14528 · PDF
⭐ 两阶段 = layout 检测 → 元素级识别，正好对应你”前端检测 + 后端生成”的思路，且做到 0.9B 超小。
一句话
0.9B 紧凑 VLM：NaViT 式动态分辨率视觉编码器 + ERNIE-4.5-0.3B 语言模型。 先做 layout 分析定位元素，再对每个元素做细粒度识别；OmniDocBench v1.0/v1.5 SOTA，支持 109 语言。
架构要点
- 视觉编码器 NaViT-style 动态分辨率：不强制 resize 成固定尺寸，按原始长宽比/分辨率打包 patch → 保住小字细节，避免文档缩放失真。
- 两阶段 pipeline：① layout 检测（版面元素定位 + 分类 + 阅读顺序）② element-level recognition（对每个区域分别识别文本/公式/表格）。
- 超小 LM：ERNIE-4.5-0.3B 当解码器，整机 0.9B 却打过大模型。
对检测—识别组合系统的启示
- 两阶段解耦 = 和此类 OCR 架构同构：它的”layout 检测→元素识别”就是你”前端定位→后端生成” 的产品化验证，证明这条路能在 <1B 规模做到 SOTA。
- NaViT 动态分辨率编码器：对文档小字/密集场景，比固定分辨率强很多， 检测与识别模块共享的视觉编码器可以直接考虑这个方案。
- element-level recognition：检测出区域后逐元素喂后端识别（而非整页一次解码）， 天然适配”检测 query → region crop → AR 生成”的衔接，且能并行。
- 小 LM 够用：后端 AR 解码器不必大，0.3B 级别 + 好数据即可，降低你训练/部署成本。