NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL : Le challenger discret face au SOTA éprouvé

L'analyse de documents est au cœur d'une course SOTA en open-weight, et les deux concurrents ne jouent pas sur le même terrain. PaddleOCR-VL, le parseur 0,9B de l'équipe PaddlePaddle de Baidu, trône en tête d'OmniDocBench v1.6 avec un score composite de 96,33, trois versions en dix mois et le plus grand écosystème OCR rassemblé autour de lui. NVIDIA-Nemotron-Parse-2.0, l'autre concurrent, est apparu sur Hugging Face le 3 août 2026, sans annonce, sans endpoint hébergé, et avec une fiche de modèle dont personne en dehors de NVIDIA n'a encore vérifié les chiffres. Cette double réalité en fait une question de favori en place : sur quel parseur open-weight pariez-vous pour l'étape d'analyse de votre pipeline — celui qui a un historique public sur le leaderboard, ou celui qui est sorti en catimini en prétendant avoir corrigé les langues avec lesquelles tous les autres peinent ?

Deux façons de créer un analyseur de page

Les deux modèles comptent environ 0,9 milliard de paramètres, sont tous deux en open-weight et sont tous deux conçus pour être auto-hébergés. C'est là que s'arrête la similitude, car ils reposent sur des philosophies architecturales opposées.

PaddleOCR-VL est un pipeline en deux étapes. Un modèle de mise en page, PP-DocLayoutV3, détecte d'abord chaque élément d'une page, le classifie et prédit l'ordre de lecture. Ce n'est qu'ensuite que le modèle vision-langage PaddleOCR-VL — un encodeur de vision à résolution dynamique de type NaViT associé au modèle de langage léger ERNIE-4.5-0.3B de Baidu — reconnaît chaque région : le texte, les tableaux, les formules, les graphiques. L'argument de Baidu pour cette séparation est que séparer la mise en page de la reconnaissance évite les modes de défaillance d'hallucination et de désalignement des éléments que présentent les modèles de bout en bout sur les pages complexes à plusieurs colonnes.

NVIDIA-Nemotron-Parse-2.0 est le pari inverse : un modèle unique de bout en bout. Un encodeur de vision ViT-H construit sur le backbone C-RADIOv2 de NVIDIA alimente un décodeur de type mBART à dix couches, et l'ensemble mappe directement une image de page en texte dans l'ordre de lecture, boîtes englobantes, classes sémantiques et markdown en une seule passe. Il n'y a pas d'étape de mise en page séparée à installer, régler ou versionner.

La fiche technique se lit comme suit :

• Architecture — PaddleOCR-VL : détection de mise en page (PP-DocLayoutV3) plus un VLM de reconnaissance de 0,9B (encodeur NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0 : un encodeur-décodeur visuel de 0,9B (ViT-H C-RADIOv2 + décodeur de type mBART).

• Contrat de sortie — les deux renvoient le texte dans l'ordre de lecture, une boîte englobante et une classe sémantique par région, ainsi que du markdown. PaddleOCR-VL ajoute des invites spécifiques aux tâches pour la reconnaissance de texte, de tableau, de formule, de graphique, de repérage et de sceau ; Parse 2.0 émet les tableaux en LaTeX, HTML, markdown, JSON ou CSV et, en 2.0, a gagné une classe sémantique dédiée aux graphiques.

Contexte — PaddleOCR-VL 1.6 prend en charge jusqu'à 131 072 jetons de contexte ; les documents de carte de Parse 2.0 acceptent des entrées jusqu'à 2048×1664 et un plafond de sortie de 9 000 jetons.

• Licence — PaddleOCR-VL est sous licence Apache 2.0 ; Parse 2.0 est sous la licence NVIDIA Open Model License, avec le tokenizer sous CC-BY-4.0. Les deux permettent une utilisation commerciale.

Le problème du benchmark : 96.33% contre un nombre que personne ne peut vérifier

C'est le moment où la confrontation cesse d'être une comparaison pour devenir une question de sourcing.

La version actuelle de PaddleOCR-VL, PaddleOCR-VL 1.6, datée du 28 mai 2026, affiche 96,33 % sur OmniDocBench v1.6 — un composite de reconnaissance de texte, de formules et de tableaux, plus la prédiction de l'ordre de lecture — et 93,19 % sur Real5-OmniDocBench, une variante de robustesse pour les pages déformées, inclinées et photographiées depuis un écran, où Baidu affirme qu'elle devance Gemini-3-Pro de près de quatre points. Ce sont les chiffres de Baidu eux-mêmes, mais ils sont rapportés sur le benchmark public partagé du domaine, ce qui permet de les classer face à MinerU 2.5-Pro, GLM-OCR et le reste du classement.

{{1}}NVIDIA-Nemotron-Parse-2.0 rapporte un ensemble de chiffres différent sur une suite différente. Score global ParseBench 0,6391, en hausse par rapport à 0,5782 sur v1.2 ; F1 multilingue MOSCAR 0,9102, en hausse par rapport à 0,4410 ; ANLS IndicVisionBench 0,7203, en hausse par rapport à 0,0612 ; et distance d'édition manuscrite d'OmniDocBench Notes en baisse à 0,3395 contre 0,9739.{{/1}} {{2}}Chacun de ces chiffres est propre à NVIDIA, imprimé sur la fiche du modèle, et aucun n'a été reproduit indépendamment.{{/2}} {{3}}ParseBench est la suite de NVIDIA ; MOSCAR et IndicVisionBench sont des ensembles spécialisés.{{/3}} {{4}}Il n'existe aucune exécution publiée de Parse 2.0 sur le composite OmniDocBench que PaddleOCR-VL surpasse, et aucune exécution de PaddleOCR-VL sur ParseBench.{{/4}}

Donc, la réponse honnête à « qui obtient le score le plus élevé » est que personne ne le sait encore, et quiconque prétend le contraire compare des critères différents. Le seul point de recoupement est l'écriture manuscrite sur OmniDocBench Notes, où la fiche de Parse 2.0 revendique une grande amélioration de la distance d'édition par rapport à son propre prédécesseur — mais c'est un chiffre au niveau de la tâche, pas le score composite rapporté par PaddleOCR-VL. L'asymétrie qui importe réellement est structurelle : le score de 96,33 de PaddleOCR-VL est une position de classement que n'importe qui peut consulter, tandis que les affirmations de Parse 2.0 proviennent d'un dépôt vieux de cinq jours sans aucune vérification par des tiers.

Langues : couverture vs deltas déclarés

Les deux modèles ouvrent leur argumentaire avec les langues, et tous deux ont une histoire — mais les histoires ont des formes différentes.

L'histoire multilingue de PaddleOCR-VL, c'est une couverture déjà disponible : 109 langues, avec une profondeur particulière là où l'OCR multilingue est le plus difficile — documents chinois anciens, caractères chinois rares, reconnaissance de sceaux et de tampons, texte vertical, et localisation de boîtes irrégulières pour pages inclinées ou pliées. C'est l'analyseur que le monde des pipelines de documents chinois a adopté précisément pour cette raison.

Le récit de NVIDIA-Nemotron-Parse-2.0 est un delta revendiqué. Le vocabulaire passe de 52 329 à 72 256 tokens, et la fiche attribue cette croissance à l'OCR multilingue, avec les gains les plus importants revendiqués sur les écritures CJK et indiennes. Le bond de MOSCAR de 0,44 à 0,91 et d'IndicVisionBench de 0,06 à 0,72 sont des affirmations selon lesquelles les écritures qui échouaient auparavant sont désormais analysées de manière acceptable — pour le bengali, l'hindi, le télougou, le tamoul et six autres langues indiennes, selon la fiche.

Lequel compte dépend de ce que vous analysez. {{1}}Si votre corpus est en chinois ou plus largement en CJK, PaddleOCR-VL est le choix éprouvé, confirmé par les classements, et la seule vraie question est de savoir si vous avez besoin de son pipeline complet ou seulement du modèle.{{/1}} {{2}}Si votre corpus penche vers l'indic — bengali, hindi, gujarati, kannada et leurs voisins — le delta revendiqué de Parse 2.0 est le chiffre de loin le plus intéressant de sa fiche, et c'est exactement le genre d'affirmation qui soit se vérifie sur vos données, soit s'effondre. Personne n'a encore fait tourner Parse 2.0 sur un benchmark indic public.{{/2}}

L'écart de maturité est le vrai prix.

Aucun des deux modèles ne coûte quoi que ce soit par page — ce sont tous deux des poids gratuits que vous servez vous-même — donc le prix qui compte est celui de l'exploitation, et là, l'écart est important.

PaddleOCR-VL est une plateforme bien établie. Le support natif de vLLM est dans le framework lui-même (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 ou ultérieur) ; Baidu propose un déploiement officiel haute performance avec une passerelle FastAPI, Triton pour l'étape de mise en page, et vLLM pour le VLM ; il existe des quantifications GGUF communautaires ; PaddleOCR-VL 1.5 a ajouté un support AMD ROCm dès le premier jour ; et le modèle est intégré aux outils que la plupart des gens utilisent déjà — RAGFlow, MinerU, Umi-OCR et OmniParser l'intègrent tous. Passer de 1.5 à 1.6 est sans coût car l'architecture est inchangée.

NVIDIA-Nemotron-Parse-2.0 n'a que cinq jours et ça se voit. Le servir suppose un build vLLM avec la prise en charge du code distant Nemotron Parse, le backend d'attention Triton sur du matériel de classe A100/A10, et quatre dépendances supplémentaires (albumentations, timm, open_clip_torch, einops). Le modèle garde sa tête de sortie liée aux embeddings du décodeur, ce que certains builds vLLM gèrent mal à moins d'ajouter le correctif d'exécution fourni par NVIDIA. Et le tokenizer.json fourni a un padding intégré de 9 000 jetons — un mainteneur de Dynamo a rencontré un cas réel début août où une courte invite a gonflé jusqu'à des dizaines de milliers d'identifiants de jetons. Rien de tout cela n'est fatal ; tout cela représente du temps d'ingénierie qu'une plateforme stable ne demande jamais. Il n'y a pas non plus de endpoint hébergé ni de packaging NIM listé pour 2.0, donc l'auto-hébergement est la seule option.

Vitesse : les deux sont rapides, un seul le prétend.

Pour un analyseur de pages, le débit est le chiffre qui se transforme en argent. Le chiffre phare de PaddleOCR-VL est d’environ 1 881 tokens par seconde sur un seul A100, annoncé lors du lancement de la v1.0 et toujours fourni par le vendeur — assez rapide pour que le modèle 0.9B soit couramment utilisé pour l’OCR à grand volume. NVIDIA-Nemotron-Parse-2.0 est un modèle de bout en bout de 0.9B, donc rapide par construction, et l’écosystème pousse déjà plus loin : une pull request vLLM en cours de révision au 5 août active le décodage spéculatif à l’aide de la tête de prédiction auxiliaire que NVIDIA fournit avec les poids, faisant état de gains médians de débit de sortie de 45,65 % à concurrence 1, 40,85 % à concurrence 8 et 39,60 % à concurrence 32 sur un H100, sur les 1 005 pages de ParseBench. Cette PR n’est ni fusionnée ni reproduite — considérez ces pourcentages comme une indication directionnelle, et non comme un benchmark que vous pouvez citer.

Qui devrait choisir lequel ?

Choisissez PaddleOCR-VL si vous avez besoin d'une étape d'analyse qui fonctionne dès ce trimestre : documents chinois ou multilingues CJK, extraction de tableaux et de formules au niveau de l'état de l'art, déploiement vLLM ou Docker, et un record de leaderboard que vous pouvez mettre en avant lors d'une réunion. C'est le choix de production à faible risque, et c'est la réponse pour quiconque dont le corpus est majoritairement CJK.

• Choisissez NVIDIA-Nemotron-Parse-2.0 si vous hébergez déjà vous-même la famille Nemotron Parse — 2.0 est une mise à niveau compatible avec la même forme d'API — si votre corpus est riche en écritures indiques ou en manuscrits et que vous souhaitez tester si les deltas de la carte se reproduisent, ou si une classe sémantique dédiée aux graphiques vaut un temps d'ingénierie réel. Prévoyez les frictions liées à l'adoption précoce, et ne basez pas une chaîne de production dessus avant votre propre évaluation.

• Adoptez la voie du milieu si votre pipeline est vraiment « parser, puis LLM » — ce qui est le cas de la plupart. Le parser est une étape ; le modèle qui résume le markdown, extrait des champs ou répond à des questions de récupération est une étape distincte, et c'est cette seconde étape qu'une plateforme de routage justifie son existence. Aucun des deux parseurs de cette comparaison n'est sur OrcaRouter — les deux sont des poids ouverts auto-hébergés — mais la couche qui les entoure est exactement ce à quoi OrcaRouter sert : plus de 200 modèles derrière une seule API au prix catalogue du fournisseur, 0 % de marge, de sorte qu'une baisse de prix du fournisseur est effective le jour même de son annonce, et un basculement automatique si un fournisseur se dégrade. La version pratique de ce conseil : si vous allez miser un pipeline sur un parseur non éprouvé, gardez tout autour interchangeable, afin que le basculement de Parse 2.0 vers PaddleOCR-VL ou vers un autre LLM soit un changement de routage plutôt qu'une réécriture.

L'essentiel

Le choix ici ne se joue pas vraiment entre deux modèles — il se joue entre un dossier public et une allégation privée. {{1}}PaddleOCR-VL 1.6 est le SOTA open-weight qui a fait ses preuves : 96.33 sur OmniDocBench v1.6, 109 langues, une stack de service stable, et l'écosystème déjà bâti autour de lui.{{/1}} {{2}}NVIDIA-Nemotron-Parse-2.0 est le challenger discret : vieux de cinq jours, non annoncé, exclusivement auto-hébergé, avec une fiche de modèle revendiquant de très importants gains en multilinguisme et en écriture manuscrite que personne n'a vérifiés.{{/2}} Le 96.33 et le 0.6391 ne sont pas directement comparables, et prétendre le contraire est ce qui amène les équipes à citer des chiffres qui ne veulent pas dire la même chose. {{3}}Si vous lancez aujourd'hui, lancez PaddleOCR-VL.{{/3}} {{4}}Si l'allégation multilingue est ce que votre corpus évalue, le challenger discret est une évaluation de week-end peu coûteuse sur vos propres documents — les écarts sont du genre à se reproduire ou à s'effondrer, et une sortie discrète est le moyen le moins cher de savoir lequel des deux.{{/4}}

FAQ

Puis-je comparer PaddleOCR-VL et NVIDIA-Nemotron-Parse-2.0 sur un seul benchmark aujourd'hui ?

Pas de manière significative. Le score de 96,33 de PaddleOCR-VL est un composite OmniDocBench v1.6 — le benchmark public partagé du domaine — tandis que les chiffres de Parse 2.0 proviennent de ParseBench (la suite propriétaire de NVIDIA), MOSCAR, IndicVisionBench et un sous-ensemble d'écriture manuscrite d'OmniDocBench, tous rapportés par le fournisseur. Aucune exécution indépendante de Parse 2.0 n'existe sur le composite OmniDocBench, et aucune exécution de PaddleOCR-VL n'existe sur ParseBench. La seule intersection est l'écriture manuscrite sur OmniDocBench Notes, et même là, les deux modèles rapportent des types de scores différents. Tant qu'un tiers n'aura pas exécuté Parse 2.0 sur le benchmark commun, la comparaison revient à comparer des pommes et des oranges.

Quel modèle gère mieux les documents en chinois et autres langues CJK ?

À ce jour, PaddleOCR-VL, et ce n'est pas proche en termes de preuves. Le modèle de Baidu est natif du CJK, détient le SOTA public sur le benchmark de référence du domaine, et a une force documentée dans les documents chinois anciens, les caractères rares et la reconnaissance des sceaux. La fiche de NVIDIA-Nemotron-Parse-2.0 revendique des gains importants en CJK et en écritures indiennes par rapport à v1.2, mais ces chiffres sont fournis par le vendeur et n'ont pas été testés indépendamment. Cette affirmation mérite d'être testée si vous analysez ces écritures ; ce n'est pas encore un résultat auquel vous pouvez vous fier.

Les deux modèles sont-ils gratuits à utiliser, et comment les exécuter ?

Les deux sont des poids libres avec usage commercial autorisé — PaddleOCR-VL sous Apache 2.0, Parse 2.0 sous la NVIDIA Open Model License — mais aucun des deux n'est une API hébergée sur une plateforme de routage, et Parse 2.0 n'offre aucune option hébergée du tout. PaddleOCR-VL fonctionne nativement dans vLLM, dans le déploiement Docker officiel de Baidu, ainsi que via le site web PaddleOCR et l'API cloud de Baidu. Parse 2.0 doit être auto-hébergé avec une build vLLM prenant en charge le code distant Nemotron Parse, plus le patch tied-output-head et un correctif de tokenizer. L'étape d'analyse vous incombe dans les deux cas ; ce qu'une couche de routage ajoute, c'est l'étape LLM qui suit, là où vous voulez la liberté de changer de modèles sans réingénierie du pipeline.