百度近日在开源平台Hugging Face正式推出新一代光学字符识别方案PP-OCRv5，该模型针对大型视觉语言模型（VLMs）在文本定位精度和计算效率方面的短板进行专项优化，为轻量化OCR应用提供全新解决方案。
作为模块化设计的双阶段模型，PP-OCRv5通过独立优化文本检测与识别流程，突破了传统VLMs在复杂场景下的边界框定位难题。其核心架构包含四大功能模块：图像预处理系统可自动校正拍摄角度与畸变；高精度检测器能精准定位文本行坐标；方向分类器确保文字正向排列；最终识别模块将图像像素转化为可编辑文本。这种解耦式设计使模型在保持0.07B参数量的同时，实现了移动端与边缘设备的实时处理能力。
性能测试显示，该模型移动版本在英特尔Xeon Gold 6271C处理器上可达每秒370字符的处理速度，在中文手写体、印刷体及英文、日文、拼音混合场景中，识别准确率显著优于Gemini 2.5 Pro、Qwen2.5-VL等通用VLM模型。其特有的边界框优化算法，可将文本定位误差控制在像素级，这对财务报表、法律文书等结构化数据提取具有关键价值。
语言支持方面，模型内置简体中文、繁体中文、英文、日文四大文字体系的识别引擎，同时通过扩展模块兼容超过40种国际语言。研发团队特别针对中文多字体、多排版特性进行优化，在古籍扫描、票据识别等垂直场景中展现出独特优势。
目前开发者可通过Hugging Face平台获取完整模型包，包含预训练权重、推理代码及场景化部署指南。该方案特别适用于移动端文档扫描、智能办公、工业检测等对延迟敏感的场景，其轻量化特性可使嵌入式设备在不增加硬件成本的前提下，实现专业级OCR性能。
