NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL: Der leise Herausforderer gegen den bewährten SOTA

Das Parsen von Dokumenten befindet sich mitten in einem Open-Weight-SOTA-Wettrennen, und die beiden Teilnehmer spielen nicht auf demselben Feld. PaddleOCR-VL, der 0,9B-Parser des PaddlePaddle-Teams von Baidu, steht mit 96,33 Composite-Score an der Spitze von OmniDocBench v1.6, drei Releases in zehn Monaten und dem größten Ökosystem, das sich in der OCR um ihn versammelt hat. NVIDIA-Nemotron-Parse-2.0, der andere Teilnehmer, erschien am 3. August 2026 auf Hugging Face – ohne Ankündigung, ohne gehosteten Endpoint und mit einer Model Card, deren Zahlen noch niemand außerhalb von NVIDIA verifiziert hat. Dieses Faktumspaar macht daraus die Amtsinhaber-Frage: Auf welchen Open-Weight-Parser setzt man für die Parsing-Stufe seiner Pipeline – auf den mit öffentlicher Leaderboard-Bilanz oder auf den, der leise veröffentlicht wurde und behauptet, die Sprachen zu beherrschen, mit denen alle anderen kämpfen?

Zwei Möglichkeiten, einen Seitenparser zu bauen

Beide Modelle kommen auf etwa 0,9B Parameter, beide sind Open-Weight und beide sind für Self-Hosting konzipiert. Hier enden die Gemeinsamkeiten jedoch, denn die beiden basieren auf gegensätzlichen Architekturphilosophien.

PaddleOCR-VL ist eine zweistufige Pipeline. Ein Layoutmodell, PP-DocLayoutV3, erkennt zunächst jedes Element auf einer Seite, klassifiziert es und sagt die Lesereihenfolge voraus. Erst danach erkennt das Vision-Language-Modell PaddleOCR-VL — ein Vision-Encoder mit dynamischer Auflösung im NaViT-Stil, gepaart mit Baidus leichtgewichtigem Sprachmodell ERNIE-4.5-0.3B — jede Region: den Text, die Tabellen, die Formeln, die Diagramme. Baidus Argument für die Aufteilung ist, dass die Trennung von Layout und Erkennung die Fehlerbilder Halluzination und Element-Fehlausrichtung vermeidet, die End-to-End-Modelle auf komplexen, mehrspaltigen Seiten zeigen.

NVIDIA-Nemotron-Parse-2.0 setzt auf das Gegenteil: ein einziges End-to-End-Modell. Ein ViT-H-Vision-Encoder, der auf NVIDIAs C-RADIOv2-Backbone aufbaut, speist einen zehnschichtigen Decoder im mBART-Stil, und das Ganze bildet ein Seitenbild in einem einzigen Durchgang direkt auf Text in Lesereihenfolge, Bounding-Boxes, semantische Klassen und Markdown ab. Es gibt keine separate Layout-Stufe, die installiert, abgestimmt oder versioniert werden müsste.

Das Datenblatt lautet entsprechend:

Architektur — PaddleOCR-VL: Layout-Erkennung (PP-DocLayoutV3) plus ein 0,9B Erkennungs-VLM (NaViT-Encoder + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: ein 0,9B Vision-Encoder-Decoder (ViT-H C-RADIOv2 + Decoder im mBART-Stil).

• Ausgabe-Kontrakt — beide geben Text in Lesereihenfolge, eine Bounding Box und eine semantische Klasse pro Region sowie Markdown zurück. PaddleOCR-VL fügt aufgabenspezifische Prompts für Text-, Tabellen-, Formel-, Diagramm-, Spotting- und Siegelerkennung hinzu; Parse 2.0 gibt Tabellen als LaTeX, HTML, Markdown, JSON oder CSV aus und hat in 2.0 eine dedizierte semantische Klasse für Diagramme erhalten.

• Kontext — PaddleOCR-VL 1.6 unterstützt bis zu 131,072 Token Kontext; Parse 2.0 unterstützt Kartendokumenteingaben bis zu 2048×1664 und ein Ausgabelimit von 9,000 Token.

• Lizenz — PaddleOCR-VL ist Apache 2.0; Parse 2.0 unterliegt der NVIDIA Open Model License, mit dem Tokenizer unter CC-BY-4.0. Beide erlauben die kommerzielle Nutzung.

Das Benchmark-Problem: 96,33 % gegen eine Zahl, die niemand überprüfen kann.

Dies ist der Teil, in dem das Aufeinandertreffen kein Vergleich mehr ist, sondern zu einer Beschaffungsfrage wird.

PaddleOCR-VLs aktuelle Version, PaddleOCR-VL 1.6, vom 28. Mai 2026, erreicht 96,33 % auf OmniDocBench v1.6 – einem zusammengesetzten Benchmark aus Text-, Formel- und Tabellenerkennung sowie Vorhersage der Lesereihenfolge – und 93,19 % auf Real5-OmniDocBench, einer Robustheitsvariante für verzogene, geneigte und vom Bildschirm abfotografierte Seiten, wo Baidu angibt, dass es Gemini-3-Pro um fast vier Punkte übertrifft. Das sind Baidus eigene Zahlen, aber sie stammen aus dem gemeinsamen öffentlichen Benchmark des Fachgebiets, weshalb sie gegen MinerU 2.5-Pro, GLM-OCR und den Rest der Rangliste verglichen werden können.

NVIDIA-Nemotron-Parse-2.0 meldet eine andere Reihe von Zahlen auf einer anderen Suite. ParseBench gesamt 0,6391, gestiegen von 0,5782 bei v1.2; MOSCAR mehrsprachiger F1 0,9102, gestiegen von 0,4410; IndicVisionBench ANLS 0,7203, gestiegen von 0,0612; und OmniDocBench Notes Handschrift-Bearbeitungsabstand gesunken auf 0,3395 von 0,9739. Jede einzelne davon stammt von NVIDIA selbst, steht auf der Modellkarte, und keine wurde unabhängig reproduziert. ParseBench ist NVIDIAs Suite; MOSCAR und IndicVisionBench sind spezialisierte Sets. Es gibt keinen veröffentlichten Lauf von Parse 2.0 auf dem OmniDocBench-Verbund, den PaddleOCR-VL anführt, und keinen Lauf von PaddleOCR-VL auf ParseBench.

Die ehrliche Antwort auf {{1}}„wer höher punktet"{{/1}} ist also, dass es noch niemand weiß, und jeder, der etwas anderes behauptet, vergleicht verschiedene Maßstäbe. Der einzige Überschneidungspunkt ist die Handschriftenerkennung bei OmniDocBench Notes, wo {{2}}das Datenblatt von Parse 2.0{{/2}} eine große Verbesserung der Editierdistanz gegenüber dem eigenen Vorgänger behauptet — aber das ist eine Zahl auf Aufgabenebene, nicht der zusammengesetzte Wert, den {{3}}PaddleOCR-VL{{/3}} angibt. Die Asymmetrie, die wirklich zählt, ist struktureller Natur: {{4}}die 96.33 von PaddleOCR-VL{{/4}} ist ein Ranglistenplatz, den jeder nachschlagen kann, während {{5}}die Behauptungen von Parse 2.0{{/5}} ein fünf Tage altes Repository ohne eine einzige Prüfung durch Dritte sind.

Sprachen: Abdeckung vs. angegebene Deltas

Both models lead their pitch with languages, and both have a story — but the stories have different shapes.

PaddleOCR-VLs mehrsprachige Geschichte ist eine bereits ausgelieferte Abdeckung: 109 Sprachen, mit besonderer Tiefe dort, wo mehrsprachige OCR am schwierigsten ist – chinesische historische Dokumente, seltene chinesische Schriftzeichen, Siegel- und Stempelerkennung, vertikaler Text und Lokalisierung unregelmäßiger Boxen für geneigte oder gefaltete Seiten. Es ist der Parser, den die Welt der chinesischen Dokumenten-Pipelines genau aus diesem Grund übernommen hat.

Die Geschichte von NVIDIA-Nemotron-Parse-2.0 ist ein behauptetes Delta. Der Wortschatz wächst von 52.329 auf 72.256 Token, und die Modellkarte führt das Wachstum auf mehrsprachige OCR zurück, wobei die größten Zugewinne bei CJK- und indischen Schriften behauptet werden. Der Sprung bei MOSCAR von 0,44 auf 0,91 und der bei IndicVisionBench von 0,06 auf 0,72 sind Behauptungen, dass die Schriften, die früher versagten, jetzt akzeptabel geparst werden — in Bengalisch, Hindi, Telugu, Tamil und sechs weiteren indischen Sprachen, so die Modellkarte.

Welches davon zählt, hängt davon ab, was Sie parsen. Wenn Ihr Korpus chinesischsprachig oder allgemein CJK ist, ist PaddleOCR-VL die bewährte, durch Leaderboards gestützte Wahl, und die einzige echte Frage ist, ob Sie die vollständige Pipeline oder nur das Modell benötigen. Wenn Ihr Korpus zu indischen Sprachen tendiert – Bengali, Hindi, Gujarati, Kannada und deren Nachbarn –, ist das behauptete Delta von Parse 2.0 die mit Abstand interessanteste Zahl auf seiner Karte, und es ist genau die Art von Behauptung, die sich entweder auf Ihren Daten replizieren lässt oder zusammenbricht. Niemand hat Parse 2.0 bisher auf einem öffentlichen indischen Benchmark getestet.

Die Fälligkeitslücke ist der wahre Preis.

Keines der beiden Modelle kostet etwas pro Seite — beide sind freie Gewichte, die Sie selbst bereitstellen — also ist der Preis, der zählt, der operative, und dort ist die Kluft groß.

PaddleOCR-VL ist eine etablierte Plattform. Native vLLM-Unterstützung ist direkt im Framework enthalten (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 oder später); Baidu bietet eine offizielle Hochleistungsbereitstellung mit einem FastAPI-Gateway, Triton für die Layout-Phase und vLLM für das VLM; es gibt Community-GGUF-Quantisierungen; PaddleOCR-VL 1.5 hat AMD ROCm-Unterstützung ab dem ersten Tag hinzugefügt; und das Modell ist in die Tools integriert, die die meisten Menschen bereits verwenden – RAGFlow, MinerU, Umi-OCR und OmniParser integrieren es alle. Der Wechsel von 1.5 auf 1.6 ist kostenlos, da die Architektur unverändert bleibt.

NVIDIA-Nemotron-Parse-2.0 ist fünf Tage alt, und das merkt man. Um es zu betreiben, braucht es einen vLLM-Build mit Nemotron-Parse-Remote-Code-Unterstützung, das Triton-Attention-Backend auf Hardware der A100/A10-Klasse und vier zusätzliche Abhängigkeiten (albumentations, timm, open_clip_torch, einops). Das Modell hält seinen Output-Head an die Decoder-Embeddings gebunden, was einige vLLM-Builds falsch handhaben, sofern man nicht den von NVIDIA mitgelieferten Runtime-Patch hinzufügt. Und das ausgelieferte tokenizer.json hat Padding auf 9.000 Token fest eingebaut – ein Dynamo-Maintainer stieß Anfang August auf einen realen Fall, bei dem ein kurzer Prompt auf Zehntausende von Token-IDs anschwoll. Nichts davon ist fatal; all das ist Engineering-Zeit, die eine etablierte Plattform nie verlangt. Es gibt auch keinen gehosteten Endpoint und kein NIM-Paket für 2.0, also ist Self-Hosting die einzige Option.

Geschwindigkeit: beide schnell, eine behauptet.

Für einen Seiten-Parser ist der Durchsatz die Zahl, die sich in Geld niederschlägt. Die Spitzenkennzahl von PaddleOCR-VL liegt bei etwa 1.881 Token pro Sekunde auf einer einzelnen A100, angegeben beim Launch von v1.0 und weiterhin vom Anbieter gemeldet – schnell genug, dass das 0,9B-Modell routinemäßig für OCR mit hohem Volumen eingesetzt wird. NVIDIA-Nemotron-Parse-2.0 ist ein 0,9B-End-to-End-Modell, daher ist es konstruktionsbedingt schnell, und das Ökosystem treibt es bereits weiter: Ein vLLM-Pull-Request, der Stand 5. August in Überprüfung ist, ermöglicht spekulative Dekodierung mithilfe des zusätzlichen Prädiktionskopfs, den NVIDIA zusammen mit den Gewichten ausliefert, und meldet mediane Steigerungen des Ausgabedurchsatzes von 45,65 % bei Parallelität 1, 40,85 % bei Parallelität 8 und 39,60 % bei Parallelität 32 auf einer H100 über die 1.005 Seiten von ParseBench. Dieser PR ist nicht gemerged und nicht reproduziert – behandeln Sie die Prozentwerte als richtungsweisend interessant, nicht als Benchmark, den Sie zitieren können.

Wer sollte was auswählen?

• Wählen Sie PaddleOCR-VL, wenn Sie in diesem Quartal eine Parsing-Stufe benötigen: chinesische oder mehrsprachige CJK-Dokumente, Tabellen- und Formelextraktion auf SOTA-Niveau, vLLM- oder Docker-Bereitstellung und einen Bestenlisten-Eintrag, auf den Sie in einer Besprechung verweisen können. Es ist die risikoarme Produktionswahl und die Antwort für alle, deren Korpus mehrheitlich CJK ist.

• Wählen Sie NVIDIA-Nemotron-Parse-2.0, wenn Sie die Nemotron-Parse-Familie bereits selbst hosten — 2.0 ist ein Drop-in-Upgrade mit derselben API-Struktur — wenn Ihr Korpus viele indische Schriften oder Handschriften enthält und Sie testen möchten, ob sich die Deltas der Karte reproduzieren, oder wenn eine dedizierte semantische Diagrammklasse echten Entwicklungsaufwand wert ist. Kalkulieren Sie die Hürden für Early Adopter ein und setzen Sie keinen Produktionspfad darauf, bevor Sie Ihre eigene Evaluierung durchgeführt haben.

• Gehen Sie den Mittelweg, wenn Ihre Pipeline wirklich „Parser, dann LLM“ ist – was auf die meisten zutrifft. Der Parser ist eine Stufe; das Modell, das das Markdown zusammenfasst, Felder extrahiert oder Retrieval-Fragen beantwortet, ist eine separate Stufe, und genau in dieser zweiten Stufe verdient eine Routing-Plattform ihre Daseinsberechtigung. Keiner der Parser in diesem Vergleich läuft auf OrcaRouter – beide sind selbst gehostete Open-Weight-Modelle –, aber die Schicht um sie herum ist genau das, wofür OrcaRouter da ist: 200+ Modelle hinter einer API zum Listenpreis des Anbieters, 0% Aufschlag, sodass eine Preissenkung des Anbieters noch am selben Tag, an dem sie angekündigt wird, live ist, und automatisches Failover, falls ein Anbieter nachlässt. Die praktische Version dieses Ratschlags: Wenn Sie eine Pipeline auf einen unerprobten Parser setzen wollen, halten Sie alles darum herum austauschbar, sodass ein Wechsel von Parse 2.0 zu PaddleOCR-VL oder zu einem anderen LLM eine Routing-Änderung ist und keine Neuschreibung.

Fazit

Es geht hier nicht wirklich um eine Wahl zwischen zwei Modellen — sondern um einen öffentlichen Nachweis und einen privaten Anspruch. PaddleOCR-VL 1.6 ist der bewährte Open-Weight-SOTA: 96.33 auf OmniDocBench v1.6, 109 Sprachen, ein etablierter Serving-Stack und das bereits darum herum aufgebaute Ökosystem. NVIDIA-Nemotron-Parse-2.0 ist der stille Herausforderer: fünf Tage alt, nicht angekündigt, ausschließlich selbst hostbar, mit einer Modellkarte, die sehr große Verbesserungen bei Mehrsprachigkeit und Handschrifterkennung behauptet, die niemand verifiziert hat. Die 96.33 und die 0.6391 sind nicht direkt vergleichbar, und so zu tun, als wären sie es, führt dazu, dass Teams am Ende Zahlen zitieren, die Unterschiedliches bedeuten. Wenn du heute auslieferst, nimm PaddleOCR-VL. Wenn dein Korpus den Mehrsprachigkeitsanspruch testet, ist der stille Herausforderer eine günstige Wochenend-Evaluation auf deinen eigenen Dokumenten — die Unterschiede sind von der Art, die sich entweder replizieren oder in Luft auflösen, und eine stille Veröffentlichung ist der günstigste Weg, herauszufinden, welche.

FAQ

Kann ich PaddleOCR-VL und NVIDIA-Nemotron-Parse-2.0 heute auf einem einzigen Benchmark vergleichen?

Nicht wirklich. Die 96,33 von PaddleOCR-VL ist ein OmniDocBench-v1.6-Gesamtwert – der gemeinsame öffentliche Benchmark des Fachgebiets – während die Zahlen von Parse 2.0 aus ParseBench (NVIDIAs eigener Suite), MOSCAR, IndicVisionBench und einem OmniDocBench-Teildatensatz für Handschrift stammen, alle vom Hersteller gemeldet. Es gibt keinen unabhängigen Lauf von Parse 2.0 auf dem OmniDocBench-Gesamtbenchmark und keinen Lauf von PaddleOCR-VL auf ParseBench. Die einzige Überschneidung ist Handschrift bei OmniDocBench Notes, und selbst dort melden die beiden Modelle unterschiedliche Arten von Werten. Bis ein Dritter Parse 2.0 auf dem gemeinsamen Benchmark ausführt, ist der Vergleich Äpfel mit Birnen.

Welches Modell verarbeitet chinesische und andere CJK-Dokumente besser?

Stand heute ist {{1}}PaddleOCR-VL{{/1}} die klare Nummer eins, und das ist angesichts der Beleglage keine knappe Sache. {{2}}Baidus Modell{{/2}} ist {{3}}CJK-nativ, hält den öffentlichen SOTA auf dem maßgeblichen Benchmark und verfügt über dokumentierte Stärken bei antiken chinesischen Dokumenten, seltenen Schriftzeichen und der Siegelschrifterkennung{{/3}}. {{4}}Die Modellkarte von NVIDIA-Nemotron-Parse-2.0{{/4}} gibt {{5}}große Verbesserungen bei CJK- und Indic-Schriften gegenüber v1.2{{/5}} an, aber diese Zahlen sind {{6}}Herstellerangaben und wurden nicht unabhängig getestet{{/6}}. {{7}}Es lohnt sich, die Behauptung zu testen, wenn man diese Schriften verarbeitet{{/7}}; sie ist {{8}}noch kein Ergebnis, auf das man sich verlassen kann{{/8}}.

Sind beide Modelle kostenlos nutzbar, und wie führe ich sie aus?

Beide sind freie Gewichte mit erlaubter kommerzieller Nutzung — PaddleOCR-VL unter Apache 2.0, Parse 2.0 unter der NVIDIA Open Model License — aber keines davon ist eine gehostete API auf einer Routing-Plattform, und Parse 2.0 hat überhaupt keine gehostete Option. PaddleOCR-VL läuft nativ in vLLM, in Baidus offiziellem Docker-Deployment und über die PaddleOCR-Website und Baidus Cloud-API. Parse 2.0 muss selbst gehostet werden, und zwar mit einem vLLM-Build, der Nemotron-Parse-Remote-Code unterstützt, plus dem Tied-Output-Head-Patch und einem Tokenizer-Fix. Die Parsing-Phase liegt in beiden Fällen bei dir; was eine Routing-Ebene hinzufügt, ist die LLM-Phase danach, in der du die Freiheit haben möchtest, Modelle auszutauschen, ohne die Pipeline neu zu entwickeln.