NVIDIA-Nemotron-Parse-2.0 לעומת PaddleOCR-VL: המתמודד השקט מול ה-SOTA המוכח

פירוש מסמכים נמצא בעיצומו של מרוץ SOTA עם משקלים פתוחים, ושני המתמודדים לא משחקים על אותו מגרש. PaddleOCR-VL, המפענח בגודל 0.9B מהצוות של PaddlePaddle מבית Baidu, יושב בראש OmniDocBench v1.6 עם ציון מורכב של 96.33, שלושה שחרורים בעשרה חודשים, והמערכת האקולוגית הגדולה ביותר שנאספה סביבו בתחום ה-OCR. NVIDIA-Nemotron-Parse-2.0, המתמודד השני, הופיע ב-Hugging Face ב-3 באוגוסט 2026, ללא הודעה מוקדמת, ללא נקודת קצה מתארחת, ועם כרטיס מודל שהמספרים שבו לא אומתו עדיין על ידי איש מחוץ ל-NVIDIA. צמד העובדות הזה הופך את השאלה לשאלת הוותק: על איזה מפענח במשקלים פתוחים אתה מהמר לשלב הפירוש של הצינור שלך — על זה עם רקורד ציבורי בלוח תוצאות, או על זה ששוחרר בשקט בטענה שתיקן את השפות שכולם האחרים נאבקים איתן?

שתי דרכים לבנות מנתח דפים

שני הדגמים מגיעים לסביבות 0.9B פרמטרים, שניהם בעלי משקלים פתוחים, ושניהם בנויים לאירוח עצמי. כאן מסתיים הדמיון, כי השניים נשענים על פילוסופיות ארכיטקטוניות מנוגדות.

PaddleOCR-VL הוא צינור עיבוד דו־שלבי. מודל פריסה בשם PP-DocLayoutV3 מזהה תחילה כל רכיב בעמוד, מסווג אותו, ומנבא את סדר הקריאה. רק לאחר מכן מודל הראייה־שפה PaddleOCR-VL — מקודד ראייה דינמי ברזולוציה בסגנון NaViT המזווג עם מודל השפה הקל ERNIE-4.5-0.3B של Baidu — מזהה כל אזור: את הטקסט, את הטבלאות, את הנוסחאות, את התרשימים. הטיעון של Baidu לפיצול הוא שהפרדת הפריסה מזיהוי התוכן מונעת את מצבי הכשל של הזיות ושל חוסר יישור רכיבים שמודלים מקצה־לקצה מציגים על עמודים מורכבים ורב־טוריים.

NVIDIA-Nemotron-Parse-2.0 הוא ההימור ההפוך: מודל יחיד מקצה לקצה. מקודד ראייה ViT-H הבנוי על תשתית C-RADIOv2 של NVIDIA מזין דיקודר בסגנון mBART בעל עשר שכבות, וכל העניין ממפה תמונת עמוד ישירות לטקסט בסדר קריאה, תיבות תוחמות, מחלקות סמנטיות ו-markdown במעבר אחד. אין שלב פריסה נפרד שצריך להתקין אותו, לכוונן אותו או לנהל את הגרסאות שלו.

גיליון המפרט קורא בהתאם:

• ארכיטקטורה — PaddleOCR-VL: זיהוי פריסה (PP-DocLayoutV3) בתוספת VLM זיהוי של 0.9B (מקודד NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: מקודד-מפענח ראייה אחד של 0.9B (ViT-H C-RADIOv2 + מפענח בסגנון mBART).

• חוזה הפלט — שתיהן מחזירות טקסט בסדר קריאה, תיבה חוסמת ומחלקה סמנטית לכל אזור, וכן markdown. PaddleOCR-VL מוסיף הנחיות ייעודיות למשימה לזיהוי טקסט, טבלה, נוסחה, תרשים, איתור וחותמת; Parse 2.0 פולט טבלאות כ-LaTeX, HTML, markdown, JSON או CSV, ובגרסה 2.0 זכה למחלקה סמנטית ייעודית לתרשימים.

• הקשר — PaddleOCR-VL 1.6 תומך בעד 131,072 אסימוני הקשר; מסמכי הכרטיסים של Parse 2.0 מקבלים קלט של עד 2048×1664 ומכסת פלט של 9,000 אסימונים.

• רישיון — PaddleOCR-VL הוא Apache 2.0; Parse 2.0 הוא תחת NVIDIA Open Model License עם הטוקנייזר תחת CC-BY-4.0. שניהם מתירים שימוש מסחרי.

בעיית המדד: 96.33% לעומת מספר שאיש אינו יכול לבדוק.

זה החלק שבו ההתמודדות מפסיקה להיות השוואה והופכת לשאלת מקורות.

הגרסה הנוכחית של PaddleOCR-VL, כלומר PaddleOCR-VL 1.6, מיום 28 במאי 2026, מדווחת על 96.33% ב-OmniDocBench v1.6 — מדד משולב של זיהוי טקסט, נוסחאות וטבלאות, יחד עם חיזוי סדר קריאה — ועל 93.19% ב-Real5-OmniDocBench, גרסת עמידות לדפים מעוקלים, מוטים ומצולמים מהמסך, שבו לפי Baidu היא מובילה על Gemini-3-Pro בכמעט ארבע נקודות. אלו הם הנתונים של Baidu עצמה, אבל הם מתפרסמים על גבי המדד הציבורי המשותף של התחום, ולכן אפשר לדרג אותם מול MinerU 2.5-Pro, GLM-OCR ושאר טבלת הלידרבורד.

NVIDIA-Nemotron-Parse-2.0 מדווח על סט מספרים שונה על סוויטה שונה. ParseBench בסה"כ 0.6391, עלייה מ-0.5782 ב-v1.2; MOSCAR רב-לשוני F1 0.9102, עלייה מ-0.4410; IndicVisionBench ANLS 0.7203, עלייה מ-0.0612; ו-OmniDocBench Notes מרחק עריכה של כתב יד ירד ל-0.3395 מ-0.9739. כל אחד מאלה הוא של NVIDIA עצמה, מופיע בכרטיס המודל, ואף אחד לא שוחזר באופן בלתי תלוי. ParseBench היא הסוויטה של NVIDIA; MOSCAR ו-IndicVisionBench הם סטים מתמחים. אין ריצה שפורסמה של Parse 2.0 על המכלול של OmniDocBench שבו PaddleOCR-VL מוביל, ואין ריצה של PaddleOCR-VL על ParseBench.

אז התשובה הכנה לשאלה 'מי מקבל ציון גבוה יותר' היא שאף אחד עדיין לא יודע, וכל מי שטוען אחרת משווה אמות מידה שונות. נקודת החפיפה היחידה היא כתב יד ב-OmniDocBench Notes, שם כרטיס ה-Parse 2.0 טוען לשיפור גדול במרחק עריכה ביחס לקודמו — אבל זה מספר ברמת משימה, לא הציון המורכב ש-PaddleOCR-VL מדווח. האסימטריה שחשובה בפועל היא מבנית: ה-96.33 של PaddleOCR-VL הוא מיקום בלוח תוצאות שכל אחד יכול לבדוק, בעוד הטענות של Parse 2.0 הן מאגר בן חמישה ימים ללא אפילו בדיקה אחת של צד שלישי.

שפות: כיסוי לעומת הפרשים שדווחו

שני המודלים פותחים את ההצגה שלהם עם שפות, ולשניהם יש סיפור — אבל לסיפורים יש צורות שונות.

הסיפור הרב-לשוני של PaddleOCR-VL הוא כיסוי שכבר זמין: 109 שפות, עם עומק מיוחד במקומות שבהם OCR רב-לשוני הוא הקשה ביותר — מסמכים סיניים עתיקים, תווים סיניים נדירים, זיהוי חותמות וטביעות חותם, טקסט אנכי, ומיקום תיבות לא סדיר לדפים מוטים או מקופלים. זהו המנתח שעולם צינורות העיבוד של מסמכים סיניים אימץ בדיוק מהסיבה הזו.

הסיפור של NVIDIA-Nemotron-Parse-2.0 הוא דלתא מוצהרת. אוצר המילים גדל מ-52,329 ל-72,256 טוקנים, וכרטיס המודל מייחס את הגידול ל-OCR רב-לשוני, עם הרווחים הגדולים ביותר שנטענים בכתבי CJK והודיים. הקפיצה ב-MOSCAR מ-0.44 ל-0.91 וב-IndicVisionBench מ-0.06 ל-0.72 הן טענות שהכתבים שנכשלו בעבר מתנתחים כעת באופן סביר — בבנגלית, הינדי, טלוגו, טמילית ועוד שש שפות הודיות, לפי הכרטיס.

איזו מהן חשובה{{1}} תלוי במה שאתה מנתח.{{/1}} אם הקורפוס שלך הוא סיני או CJK במובן הרחב,{{2}} PaddleOCR-VL הוא הבחירה המוכחת והמגובה בלוחות תוצאות,{{3}} והשאלה האמיתית היחידה היא אם אתה צריך את הפייפליין המלא או רק את המודל.{{4}} אם הקורפוס שלך נוטה לשפות הודיות — בנגלית, הינדי, גוג'ראטית, קנאדה ושכניהן —{{5}} הדלתא המוצהרת של Parse 2.0 היא המספר המעניין ביותר בכרטיס שלה,{{6}} וזה בדיוק סוג הטענה שאו משתכפלת על הנתונים שלך או קורסת.{{7}} אף אחד עדיין לא הריץ את Parse 2.0 על בנצ'מרק ציבורי לשפות הודיות.{{8}}

פער הבגרות הוא המחיר האמיתי.

אף מודל לא עולה דבר לכל עמוד — שניהם משקלים חינמיים שאתם מריצים בעצמכם — כך שהמחיר החשוב הוא המחיר התפעולי, ובתחום הזה הפער גדול.

PaddleOCR-VL היא פלטפורמה מבוססת. תמיכה מקורית ב-vLLM נמצאת בפריימוורק עצמו (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 ומעלה); Baidu מספקת פריסת ביצועים גבוהים רשמית עם שער FastAPI, Triton לשלב הפריסה (layout), ו-vLLM עבור ה-VLM; קיימות קוונטיזציות GGUF של הקהילה; PaddleOCR-VL 1.5 הוסיפה תמיכה ב-AMD ROCm מהיום הראשון; והמודל מחובר לכלים שרוב האנשים כבר מריצים — RAGFlow, MinerU, Umi-OCR ו-OmniParser כולם משתלבים בו. המעבר מ-1.5 ל-1.6 הוא ללא עלות מכיוון שהארכיטקטורה לא השתנתה.

NVIDIA-Nemotron-Parse-2.0 הוא בן חמישה ימים וזה ניכר. לשרת אותו פירושו build של vLLM עם תמיכה ב-remote-code של Nemotron Parse, backend של Triton attention על חומרה מסוג A100/A10, וארבע תלויות נוספות (albumentations, timm, open_clip_torch, einops). המודל שומר על ראש הפלט (output head) קשור ל-decoder embeddings, שחלק מ-buildים של vLLM מטפלים בהם לא נכון אלא אם כן מוסיפים את תיקון הריצה (runtime patch) שכלול ב-NVIDIA. ובנוסף, קובץ ה-tokenizer.json הנשלח כולל padding מובנה ל-9,000 טוקנים — מתחזק של Dynamo נתקל במקרה אמיתי בתחילת אוגוסט שבו prompt קצר התנפח לעשרות אלפי מזההי טוקן. שום דבר מזה אינו קריטי; כל זה הוא זמן הנדסה שפלטפורמה מבוססת לעולם לא דורשת. אין גם endpoint מתארח ואין אריזת NIM רשומה עבור 2.0, כך שהאופציה היחידה היא אירוח עצמי.

מהירות: שניהם מהירים, אחד טען

עבור מפענח דפים, התפוקה היא המספר שהופך לכסף. נתון הדגל של PaddleOCR-VL הוא בערך 1,881 אסימונים לשנייה על A100 יחיד, כפי שנטען בהשקת v1.0 ועדיין מדווח על ידי היצרן — מהיר מספיק כדי שמודל ה-0.9B נמצא בשימוש שגרתי ל-OCR בנפח גבוה. NVIDIA-Nemotron-Parse-2.0 הוא מודל קצה-לקצה בגודל 0.9B, ולכן הוא מהיר מעצם בנייתו, והמערכת האקולוגית כבר דוחפת רחוק יותר: בקשת משיכה (pull request) ל-vLLM הנמצאת בסקירה נכון ל-5 באוגוסט מאפשרת פענוח ספקולטיבי (speculative decoding) באמצעות ראש הניבוי העזר ש-NVIDIA מספקת לצד המשקלים, ומדווחת על רווחי תפוקת פלט חציוניים של 45.65% במקביליות 1, 40.85% במקביליות 8, ו-39.60% במקביליות 32 על H100 על פני 1,005 הדפים של ParseBench. אותו PR אינו מאורג (merged) ולא שוחזר — התייחסו לאחוזים כמעניינים מבחינה כיוונית בלבד, לא כמדד שאפשר לצטט.

מי אמור לבחור מה

• בחר ב-PaddleOCR-VL אם אתה צריך שלב עיבוד שעובד ברבעון הזה: מסמכים בסינית או ב-CJK רב-לשוני, חילוץ טבלאות ונוסחאות ברמת SOTA, פריסה עם vLLM או Docker, ושל שיא בלוח תוצאות שתוכל להצביע עליו בפגישה. זו הבחירה היצרנית בסיכון נמוך, וזו התשובה לכל מי שהקורפוס שלו הוא ברובו CJK.

• בחר ב-NVIDIA-Nemotron-Parse-2.0 אם אתה כבר מארח את משפחת Nemotron Parse בעצמך — 2.0 הוא שדרוג תואם ישיר עם אותו מבנה API — אם המאגר שלך עשיר בכתבים הודיים או בכתב יד, ואתה רוצה לבדוק אם ההפרשים של הכרטיס משתכפלים, או אם מחלקה סמנטית ייעודית לתרשימים שווה זמן הנדסה אמיתי. תכנן תקציב לחיכוך הכרוך באימוץ מוקדם, ואל תהמר על מסלול ייצור המבוסס עליו לפני שתערוך הערכה משלך.

• קחו את דרך הביניים אם הצינור שלכם הוא באמת "מנתח, ואז LLM" — וזה המצב ברוב המקרים. המנתח הוא שלב אחד; המודל שמסכם את ה-markdown, מחלץ שדות, או עונה על שאלות שליפת מידע הוא שלב נפרד, והשלב השני הזה הוא המקום שבו פלטפורמת ניתוב מוכיחה את עצמה. אף אחד מהמנתחים בהשוואה הזו אינו על OrcaRouter — שניהם בעלי משקלים פתוחים ובאחסון עצמי — אבל השכבה שמסביבם היא בדיוק מה ש-OrcaRouter נועדה לו: 200+ מודלים מאחורי API אחד במחיר המחירון של הספק, 0% תוספת מחיר כך שהנחת מחיר של ספק נכנסת לתוקף באותו יום שבו היא מוכרזת, ומעבר אוטומטי (failover) אם ספק מתדרדר. הגרסה המעשית של העצה הזו: אם אתם מתכוונים להמר על צינור שמסתמך על מנתח לא מוכח, שמרו על כל מה שסביבו ניתן להחלפה, כך שמעבר מ-Parse 2.0 ל-PaddleOCR-VL או ל-LLM אחר הוא שינוי ניתוב ולא שכתוב.

שורה תחתונה

הבחירה כאן היא לא באמת בין שני מודלים — אלא בין תיעוד פומבי לבין טענה פרטית. PaddleOCR-VL 1.6 הוא ה-SOTA המוכח עם משקלים פתוחים: 96.33 ב-OmniDocBench v1.6, 109 שפות, מחסן שרתים יציב, ומערכת אקולוגית שכבר נבנתה סביבו. NVIDIA-Nemotron-Parse-2.0 הוא המתמודד השקט: בן חמישה ימים, לא הוכרז, רק אירוח עצמי, עם כרטיס מודל הטוען לשיפורים גדולים מאוד ברב-לשוניות ובכתב יד שאיש לא אימת. לא ניתן להשוות את 96.33 ל-0.6391 ישירות, ולהעמיד פנים אחרת זו הדרך שבה צוותים מוצאים את עצמם מצטטים מספרים שמשמעותם שונה. אם אתה משחרר היום, שחרר את PaddleOCR-VL. אם הטענה הרב-לשונית היא מה שהקורפוס שלך בודק, המתמודד השקט הוא הערכה זולה לסוף שבוע על המסמכים שלך עצמך — ההפרשים הם מהסוג שמשתכפל או קורס, ושחרור שקט הוא הדרך הזולה ביותר לגלות מה קורה.

שאלות נפוצות

האם אוכל להשוות בין PaddleOCR-VL ל-NVIDIA-Nemotron-Parse-2.0 על מדד השוואתי אחד היום?

לא באופן משמעותי. הציון 96.33 של PaddleOCR-VL הוא מדד מורכב של OmniDocBench v1.6 — מדד הייחוס הציבורי המשותף של התחום — בעוד שהמספרים של Parse 2.0 הם מ-ParseBench (החבילה הפרטית של NVIDIA), MOSCAR, IndicVisionBench ותת-קבוצת כתב יד של OmniDocBench, כולם מדווחי ספק. לא קיימת הרצה בלתי תלויה של Parse 2.0 על המדד המורכב של OmniDocBench, ולא קיימת הרצה של PaddleOCR-VL על ParseBench. החפיפה היחידה היא בכתב היד ב-OmniDocBench Notes, וגם שם שני המודלים מדווחים סוגי ציונים שונים. עד שגורם שלישי יריץ את Parse 2.0 על המדד המשותף, ההשוואה היא בין תפוחים לתפוזים.

איזה מודל מטפל טוב יותר במסמכים בסינית ובמסמכי CJK אחרים?

נכון להיום, PaddleOCR-VL, וזה לא קרוב על פי הראיות. המודל של Baidu הוא יליד CJK, מחזיק ב-SOTA הציבורי על מדד הייחוס שהתחום מדורג לפיו, ובעל חוזק מתועד במסמכים סיניים עתיקים, תווים נדירים וזיהוי חותמות. כרטיס ה-NVIDIA-Nemotron-Parse-2.0 טוען לשיפורים גדולים ב-CJK ו-Indic לעומת v1.2, אבל המספרים האלה הם דיווח של הספק ולא נבדקו באופן בלתי תלוי. הטענה שווה בדיקה אם אתם מנתחים כתבים אלה; זו עדיין לא תוצאה שאפשר לסמוך עליה.

האם שני המודלים חופשיים לשימוש, ואיך אני מריץ אותם?

שני אלה הם משקלים חופשיים עם שימוש מסחרי מותר — PaddleOCR-VL תחת רישיון Apache 2.0, ו-Parse 2.0 תחת רישיון NVIDIA Open Model License — אבל אף אחד מהם אינו API מתארח בפלטפורמת ניתוב, ול-Parse 2.0 אין אפשרות אירוח כלל. PaddleOCR-VL רץ באופן טבעי ב-vLLM, בפריסת ה-Docker הרשמית של Baidu, וכן דרך אתר PaddleOCR וה-API הענני של Baidu. Parse 2.0 חייב להיות מאוחסן עצמאית עם מבנה vLLM שתומך בקוד המרוחק של Nemotron Parse, בתוספת תיקון tied-output-head ותיקון tokenizer. שלב ה-parsing הוא עליך בכל מקרה; מה ששכבת ניתוב מוסיפה הוא שלב ה-LLM שאחריו, שבו אתה רוצה את החופש להחליף מודלים ללא הנדסה מחדש של הצנרת.