NVIDIA-Nemotron-Parse-2.0 مقابل PaddleOCR-VL: المنافس الصامت مقابل المعيار الأحدث المُثبت

تحليل المستندات في خضمّ سباقٍ مفتوح الأوزان على صدارة أحدث المستويات التقنية (SOTA)، والمتسابقان لا يلعبان على أرضية واحدة. PaddleOCR-VL، المحلِّل ذو 0.9 مليار معامل من فريق PaddlePaddle في Baidu، يتصدّر OmniDocBench v1.6 بدرجة مركّبة تبلغ 96.33، وثلاثة إصدارات في عشرة أشهر، وأكبر نظام بيئي في OCR يلتفّ حوله. أما NVIDIA-Nemotron-Parse-2.0، المتسابق الآخر، فقد ظهر على Hugging Face في 3 أغسطس 2026، دون أي إعلان، ودون نقطة وصول مستضافة، وبطاقة نموذج لم يتحقّق أحد خارج NVIDIA من أرقامها بعد. وهاتان الحقيقتان تحوّلان الأمر إلى سؤال الريادة الراسخة: أي محلّل مفتوح الأوزان تراهن عليه لمرحلة التحليل في خط أنابيبك — ذاك الذي يملك سجلًّا عامًا على لوحة الصدارة، أم ذاك الذي صدر بهدوء مدّعيًا أنه عالج اللغات التي يعاني منها الجميع؟

طريقتان لبناء محلل صفحات

كلا الطرازين يبلغ حجمهما حوالي 0.9 مليار معلمة، وكلاهما مفتوح الأوزان، وكلاهما مبني للاستضافة الذاتية. وهنا ينتهي التشابه، لأن الاثنين يقفان على فلسفتين معماريتين متعارضتين.

PaddleOCR-VL هو خط أنابيب من مرحلتين. نموذج التخطيط، PP-DocLayoutV3، يكتشف أولاً كل عنصر في الصفحة، ويصنّفه، ويتنبأ بترتيب القراءة. فقط بعد ذلك يقوم نموذج الرؤية-اللغة PaddleOCR-VL — وهو مُرمِّز رؤية ديناميكي الدقة بأسلوب NaViT مقترن بنموذج اللغة الخفيف ERNIE-4.5-0.3B من Baidu — بالتعرف على كل منطقة: النصوص، الجداول، الصيغ، الرسوم البيانية. حجة Baidu في هذا الفصل هي أن فصل التخطيط عن التعرف يتجنب أنماط الفشل المتمثلة في الهلوسة وعدم محاذاة العناصر التي تُظهرها النماذج الشاملة على الصفحات المعقدة متعددة الأعمدة.

NVIDIA-Nemotron-Parse-2.0 هو الرهان المعاكس: نموذج واحد متكامل من البداية إلى النهاية. يقوم مُشفر رؤية ViT-H المبني على هيكل C-RADIOv2 من NVIDIA بتغذية وحدة فك ترميز من نمط mBART ذات عشر طبقات، ويقوم كل ذلك بتحويل صورة الصفحة مباشرة إلى نص بترتيب القراءة، وصناديق الإحاطة، والفئات الدلالية، وMarkdown في مسار واحد. لا توجد مرحلة تخطيط منفصلة لتثبيتها أو ضبطها أو إدارة إصداراتها.

تنص ورقة المواصفات على ما يلي:

• البنية المعمارية — PaddleOCR-VL: كشف التخطيط (PP-DocLayoutV3) بالإضافة إلى نموذج VLM للتعرف بحجم 0.9B (ترميز NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: نموذج ترميز-فك ترميز بصري واحد بحجم 0.9B (ViT-H C-RADIOv2 + وحدة فك ترميز بنمط mBART).

• عقد الإخراج — كلاهما يعيد نصًا بترتيب القراءة، ومربعًا محيطًا وفئة دلالية لكل منطقة، وماركداون. يضيف PaddleOCR-VL مطالبات خاصة بالمهام للتعرف على النصوص والجداول والصيغ والمخططات والتحديد والأختام؛ بينما يُصدر Parse 2.0 الجداول بصيغة LaTeX أو HTML أو ماركداون أو JSON أو CSV، واكتسب في إصدار 2.0 فئة دلالية مخصصة للمخططات.

— السياق — يدعم PaddleOCR-VL 1.6 ما يصل إلى 131,072 رمزًا من السياق؛ بينما تقبل مستندات البطاقات في Parse 2.0 مدخلات تصل إلى 2048×1664 مع سقف إخراج يبلغ 9,000 رمز.

• الترخيص — PaddleOCR-VL مرخّص بموجب Apache 2.0؛ ويخضع Parse 2.0 لرخصة NVIDIA للنماذج المفتوحة، مع خضوع المُرمِّز لرخصة CC-BY-4.0. وكلاهما يسمحان بالاستخدام التجاري.

معضلة المعيار: 96.33% مقابل رقم لا يمكن لأحد التحقق منه

هذا هو الجزء الذي تتوقف فيه المواجهة عن كونها مقارنة وتصبح مسألة تتعلق بالمصادر.

إصدار PaddleOCR-VL الحالي، PaddleOCR-VL 1.6، بتاريخ 28 مايو 2026، يُظهر نتيجة 96.33% على معيار OmniDocBench v1.6 — وهو مقياس مركّب للتعرف على النصوص والصيغ والجداول بالإضافة إلى التنبؤ بترتيب القراءة — و93.19% على Real5-OmniDocBench، وهو متغير مخصص لقياس المتانة في التعامل مع الصفحات الملتوية والمائلة والمصوَّرة بالشاشة، حيث تقول Baidu إنه يتفوق على Gemini-3-Pro بأربع نقاط تقريبًا. هذه أرقام Baidu الخاصة، لكنها مُدرجة على المعيار العام المشترك في هذا المجال، ولهذا يمكن ترتيبها مقارنةً بـMinerU 2.5-Pro وGLM-OCR وبقية لوحة الصدارة.

يُبلغ NVIDIA-Nemotron-Parse-2.0 عن مجموعة مختلفة من الأرقام على مجموعة اختبار مختلفة. درجة ParseBench الإجمالية 0.6391، مرتفعةً من 0.5782 في v1.2؛ وMOSCAR متعدد اللغات F1 0.9102، مرتفعةً من 0.4410؛ وIndicVisionBench ANLS 0.7203، مرتفعةً من 0.0612؛ وOmniDocBench Notes مسافة التحرير للكتابة اليدوية انخفضت إلى 0.3395 من 0.9739. كل واحد من هذه الأرقام هو من إنتاج NVIDIA نفسه، مطبوع على بطاقة النموذج، ولم يتم إعادة إنتاج أيٍّ منها بشكل مستقل. ParseBench هي مجموعة NVIDIA؛ وMOSCAR وIndicVisionBench مجموعتان متخصصتان. لا يوجد نشر لتشغيل Parse 2.0 على مركب OmniDocBench الذي يتصدره PaddleOCR-VL، ولا أي تشغيل لـ PaddleOCR-VL على ParseBench.

إذن الإجابة الصادقة عن سؤال «من يسجّل نقاطًا أعلى؟» هي أن لا أحد يعرف بعد، وأي شخص يدّعي خلاف ذلك إنما يقارن معايير قياس مختلفة. نقطة التداخل الوحيدة هي خط اليد في OmniDocBench Notes، حيث تدّعي بطاقة Parse 2.0 تحسّنًا كبيرًا في مسافة التحرير مقارنةً بسابقتها — لكن هذا رقم على مستوى المهمة، وليس النتيجة المركّبة التي يقدّمها PaddleOCR-VL. أما عدم التماثل المهم فعلًا فهو بنيوي: نتيجة PaddleOCR-VL البالغة 96.33 هي مركز في لوحة الصدارة يمكن لأي شخص الاطلاع عليه، بينما ادّعاءات Parse 2.0 هي مستودع عمره خمسة أيام بلا أي تحقّق من طرف ثالث.

اللغات: التغطية مقابل الفروقات المدعاة

كلا النموذجين يقدمان عرضهما باللغات، وكلاهما لديه قصة — لكن القصص لها أشكال مختلفة.

قصة تعدد اللغات في PaddleOCR-VL هي تغطية تم إطلاقها بالفعل: 109 لغات، مع عمق خاص في أصعب مجالات التعرف الضوئي متعدد اللغات — الوثائق الصينية القديمة، الحروف الصينية النادرة، التعرف على الأختام والطوابع، النص العمودي، وتحديد الصناديق غير المنتظمة للصفحات المائلة أو المطوية. وهو المحلل الذي تبناه عالم خطوط معالجة الوثائق الصينية لهذا السبب تحديدًا.

قصة NVIDIA-Nemotron-Parse-2.0 هي فارق مُدّعى. تنمو المفردات من 52,329 إلى 72,256 رمزًا، وتنسب البطاقة النمو إلى التعرف الضوئي على الحروف متعدد اللغات، مع تحقيق أكبر المكاسب المزعومة على نصوص CJK والنصوص الهندية. قفزة MOSCAR من 0.44 إلى 0.91 وIndicVisionBench من 0.06 إلى 0.72 هي ادعاءات بأن النصوص التي كانت تفشل سابقًا أصبحت تُحلَّل بشكل مقبول — عبر البنغالية والهندية والتيلجو والتاميلية وست لغات هندية أخرى، وفقًا للبطاقة.

يعتمد أيهما يهمّ على ما تحلّله. إذا كانت مجموعتك النصية باللغة الصينية أو بلغات CJK عمومًا، فإن PaddleOCR-VL هو الخيار المُثبَت والمدعوم بجداول الصدارة، والسؤال الحقيقي الوحيد هو ما إذا كنت بحاجة إلى خط الأنابيب الكامل أم إلى النموذج فقط. أما إذا كانت مجموعتك النصية تميل إلى اللغات الهندية — البنغالية والهندية والغوجاراتية والكانادية واللغات المجاورة لها — فإن فارق الأداء المزعوم في Parse 2.0 هو الرقم الأكثر إثارةً للاهتمام في بطاقته، وهو بالضبط نوع الادعاءات التي إما أن تتكرر على بياناتك أو تنهار. لم يشغّل أحد Parse 2.0 على معيار عام للغات هندية بعد.

فجوة الاستحقاق هي السعر الحقيقي.

لا تكلف أي من النموذجين شيئًا لكل صفحة — فكلاهما أوزان مجانية تقدمها بنفسك — لذا فإن السعر المهم هو السعر التشغيلي، وهناك تكون الفجوة واسعة.

PaddleOCR-VL منصة مستقرة. دعم vLLM الأصلي موجود في الإطار نفسه (vllm/model_executor/models/paddleocr_vl.py، الإصدار 0.11.1 أو أحدث)؛ توفر Baidu نشرًا عالي الأداء رسميًا مع بوابة FastAPI، وTriton لمرحلة التخطيط، وvLLM لنموذج VLM؛ توجد إصدارات مجتمعية من GGUF الكمومي؛ أضاف PaddleOCR-VL 1.5 دعم AMD ROCm من اليوم الأول؛ والنموذج موصول بالأدوات التي يستخدمها معظم الأشخاص بالفعل — RAGFlow وMinerU وUmi-OCR وOmniParser كلها تدمجه. الانتقال من 1.5 إلى 1.6 بلا أي تكلفة لأن البنية لم تتغير.

نموذج NVIDIA-Nemotron-Parse-2.0 يبلغ من العمر خمسة أيام وهذا بادٍ عليه. تقديمه يتطلب بناء vLLM مع دعم الكود عن بُعد لـ Nemotron Parse، ومحرك الانتباه الخلفي Triton على أجهزة من فئة A100/A10، وأربع تبعيات إضافية (albumentations وtimm وopen_clip_torch وeinops). يُبقي النموذج رأس مخرجه مربوطًا بتضمينات وحدة فك الترميز، وهو ما تسيء بعض إصدارات vLLM التعامل معه ما لم تُضِف تصحيح التشغيل المرفق من NVIDIA. كما أن ملف tokenizer.json المُصاحَب يحتوي على حشو مدمج حتى 9000 رمز (token) — وقد صادف أحد مطوّري Dynamo حالة فعلية في أوائل أغسطس تضخّم فيها موجه قصير إلى عشرات الآلاف من معرّفات الرموز. لا شيء من هذا قاتل؛ لكنه كله وقت هندسي لا يطلبه نظام مستقر أبدًا. كما لا توجد نقطة نهاية مستضافة ولا حزمة NIM مدرجة للإصدار 2.0، لذا فالاستضافة الذاتية هي الخيار الوحيد.

السرعة: كلاهما سريع، أحدهما مُدَّعًى

بالنسبة لمحلل الصفحات، الإنتاجية هي الرقم الذي يتحول إلى أموال. الرقم الرئيسي المعلن لـ PaddleOCR-VL هو حوالي 1,881 رمزًا في الثانية على معالج A100 واحد، وهو رقم أُعلن عند إطلاق الإصدار v1.0 وما زال مصدره البائع — وهو سريع بما يكفي لاستخدام نموذج 0.9B بشكل روتيني في معالجة OCR عالية الحجم. NVIDIA-Nemotron-Parse-2.0 هو نموذج شامل بحجم 0.9B، لذا فهو سريع بحكم تصميمه، والنظام البيئي يدفع بالفعل نحو مزيد من التحسين: طلب سحب vLLM قيد المراجعة حتى 5 أغسطس يتيح فك الترميز التخميني باستخدام رأس التنبؤ المساعد الذي توفره NVIDIA مع الأوزان، ويُفيد بمكاسب في متوسط الإنتاجية الناتجة تبلغ 45.65% عند التزامن 1، و40.85% عند التزامن 8، و39.60% عند التزامن 32 على معالج H100 عبر صفحات ParseBench البالغ عددها 1,005 صفحة. هذا الطلب لم يُدمج بعد ولم تُعاد تجربة نتائجه — تعامل مع النسب المئوية باعتبارها مؤشرًا اتجاهيًا فقط، وليس كمعيار يمكن الاستشهاد به.

من الذي يجب أن يختار ماذا

• اختر PaddleOCR-VL إذا كنت بحاجة إلى مرحلة تحليل تعمل في هذا الربع: المستندات الصينية أو متعددة اللغات CJK، واستخراج الجداول والصيغ بمستوى SOTA، والنشر عبر vLLM أو Docker، وسجلّ تصدّر في لوحة الصدارة يمكنك الإشارة إليه في اجتماع. إنه الخيار الإنتاجي منخفض المخاطر، وهو الإجابة المناسبة لأي شخص تكون مجموعته النصية غالبيتها من لغات CJK.

• اختر NVIDIA-Nemotron-Parse-2.0 إذا كنت تستضيف بالفعل عائلة Nemotron Parse — فالإصدار 2.0 هو ترقية متوافقة مباشرة مع نفس بنية API — إذا كانت مجموعتك النصية غنية بالخطوط الهندية أو بخط اليد وتريد اختبار ما إذا كانت فروقات البطاقة تتكرر، أو إذا كانت فئة دلالية مخصصة للرسوم البيانية تستحق وقتًا هندسيًا حقيقيًا. خصص ميزانية لاحتكاك المتبنين الأوائل، ولا تراهن على مسار إنتاجي عليها قبل تقييمك الخاص.

• اسلك المسار الأوسط إذا كانت خط أنابيبك حقًا عبارة عن "محلل ثم LLM" — وهذا هو الغالب. المحلل هو مرحلة واحدة؛ النموذج الذي يلخّص الماركداون، أو يستخرج الحقول، أو يجيب على أسئلة الاسترجاع هو مرحلة منفصلة، وهذه المرحلة الثانية هي حيث تُثبت منصة التوجيه قيمتها. لا يوجد أي من المحللين في هذه المقارنة على OrcaRouter — كلاهما أوزان مفتوحة مستضافة ذاتيًا — لكن الطبقة المحيطة بهما هي بالضبط ما صُمم من أجله OrcaRouter: أكثر من 200 نموذج خلف واجهة برمجة تطبيقات واحدة بسعر القائمة من المزود، وهامش ربح 0% بحيث يصبح تخفيض سعر البائع ساريًا في نفس اليوم الذي يُعلن عنه، وتجاوز تلقائي للفشل إذا تدهور أحد المزودين. النسخة العملية من تلك النصيحة: إذا كنت ستراهن على خط أنابيب بمحلل غير مثبت، فأبقِ كل شيء حوله قابلًا للتبديل، بحيث يكون التحول من Parse 2.0 إلى PaddleOCR-VL أو إلى LLM مختلف مجرد تغيير توجيه وليس إعادة كتابة.

الخلاصة

الخيار هنا ليس حقًا بين نموذجين — بل بين سجل عام وادعاء خاص. PaddleOCR-VL 1.6 هو النموذج المثبت مفتوح الأوزان الأحدث (SOTA): 96.33 على OmniDocBench v1.6، و109 لغات، ومكدس خدمة مستقر، ونظام بيئي مبني حوله بالفعل. NVIDIA-Nemotron-Parse-2.0 هو المنافس الصامت: عمره خمسة أيام، غير مُعلَن عنه، يُستضاف ذاتيًا فقط، وبطاقة نموذج تدّعي مكاسب كبيرة جدًا في تعدد اللغات والكتابة اليدوية لم يتحقق منها أحد. لا يمكن المقارنة مباشرة بين 96.33 و0.6391، والتظاهر بغير ذلك هو ما يجعل الفرق في النهاية تستشهد بأرقام تعني أشياء مختلفة. إذا أطلقت اليوم، فأطلق مع PaddleOCR-VL. إذا كان ادعاء تعدد اللغات هو ما تختبره مجموعة نصوصك، فإن المنافس الصامت يمثل تقييمًا رخيصًا لعطلة نهاية الأسبوع على مستنداتك الخاصة — والفروق من النوع الذي إما يتكرر أو ينهار، والإصدار الصامت هو أرخص طريقة لمعرفة أيهما.

الأسئلة الشائعة

هل يمكنني مقارنة PaddleOCR-VL و NVIDIA-Nemotron-Parse-2.0 على معيار واحد اليوم؟

ليس بشكلٍ جوهريّ. نتيجة 96.33 الخاصة بـ PaddleOCR-VL هي نتيجة مركّبة من OmniDocBench v1.6 — المعيار العام المشترك في هذا المجال — بينما أرقام Parse 2.0 مأخوذة من ParseBench (مجموعة NVIDIA الخاصة)، وMOSCAR، وIndicVisionBench، ومجموعة فرعية للكتابة اليدوية من OmniDocBench، وكلها أرقام يبلّغ عنها البائع. لا توجد أي عملية تشغيل مستقلة لـ Parse 2.0 على المركّب OmniDocBench، ولا توجد أي عملية تشغيل لـ PaddleOCR-VL على ParseBench. التداخل الوحيد يتمثّل في الكتابة اليدوية على OmniDocBench Notes، وحتى هناك يقدّم النموذجان أنواعًا مختلفة من الدرجات. وإلى أن يُشغِّل طرف ثالث Parse 2.0 على المعيار المشترك، تظل المقارنة كالمقارنة بين التفاح والبرتقال.

أي نموذج يتعامل مع المستندات الصينية وغيرها من مستندات CJK بشكل أفضل؟

اعتبارًا من اليوم، PaddleOCR-VL هو الأفضل، ولا أحد يقاربه من حيث الأدلة. نموذج بايدو مصمَّم أصلاً للغات CJK، ويمتلك أفضل أداء عام (SOTA) على المعيار الذي يُعتمد عليه في ترتيب المجال، وله قوة موثقة في الوثائق الصينية القديمة والأحرف النادرة والتعرف على الأختام. بطاقة NVIDIA-Nemotron-Parse-2.0 تدّعي مكاسب كبيرة في لغات CJK واللغات الهندية مقارنةً بالإصدار v1.2، لكن هذه الأرقام معلنة من البائع ولم تُختبر بشكل مستقل. هذا الادعاء يستحق الاختبار إذا كنت تعالج تلك النصوص؛ لكنه ليس بعد نتيجة يمكنك الاعتماد عليها.

هل كلا النموذجين مجانيان للاستخدام، وكيف يمكنني تشغيلهما؟

كلاهما أوزان حرة متاحة للاستخدام التجاري — PaddleOCR-VL بموجب رخصة Apache 2.0، وParse 2.0 بموجب رخصة NVIDIA Open Model License — لكن لا يقدَّم أيٌّ منهما كواجهة برمجة تطبيقات مستضافة على منصة توجيه، ولا يملك Parse 2.0 خيار استضافة على الإطلاق. يعمل PaddleOCR-VL محليًا في vLLM، وفي نشر Docker الرسمي من بايدو، وعبر موقع PaddleOCR وسحابة بايدو. أما Parse 2.0 فيتطلب استضافة ذاتية مع إصدار vLLM يدعم كود Nemotron Parse البعيد، بالإضافة إلى تصحيح رأس الإخراج المقيّد وإصلاح للمُرمِّز. مرحلة التحليل تقع على عاتقك في كلتا الحالتين؛ وما تضيفه طبقة التوجيه هو مرحلة LLM التي تليها، حيث تريد حرية تبديل النماذج دون إعادة هندسة خط الأنابيب.