NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL: Penantang Senyap vs SOTA yang Terbukti

Parsing dokumen sedang berada di tengah perlombaan SOTA dengan bobot terbuka, dan kedua kontestan tidak bermain di lapangan yang sama. PaddleOCR-VL, parser 0.9B dari tim PaddlePaddle Baidu, berada di puncak OmniDocBench v1.6 dengan skor komposit 96.33, tiga rilis dalam sepuluh bulan, dan ekosistem OCR terbesar yang berkumpul di sekitarnya. NVIDIA-Nemotron-Parse-2.0, kontestan lainnya, muncul di Hugging Face pada 3 Agustus 2026, tanpa pengumuman, tanpa endpoint yang di-hosting, dan kartu model yang angkanya belum diverifikasi oleh siapa pun di luar NVIDIA. Sepasang fakta itu mengubah ini menjadi pertanyaan tentang petahana: parser bobot terbuka mana yang Anda andalkan untuk tahap parsing pipeline Anda — yang memiliki rekor papan peringkat publik, atau yang dirilis dengan tenang sambil mengklaim telah memperbaiki bahasa-bahasa yang sulit ditangani orang lain?

Dua cara untuk membangun parser halaman

Kedua model hadir dengan sekitar 0,9 miliar parameter, keduanya open-weight, dan keduanya dirancang untuk dihosting sendiri. Di situlah persamaannya berakhir, karena keduanya menganut filosofi arsitektur yang berlawanan.

PaddleOCR-VL adalah pipeline dua tahap. Model tata letak, PP-DocLayoutV3, pertama-tama mendeteksi setiap elemen pada halaman, mengklasifikasikannya, dan memprediksi urutan baca. Baru setelah itu model visi-bahasa PaddleOCR-VL — encoder visi resolusi dinamis bergaya NaViT yang dipasangkan dengan model bahasa ringan ERNIE-4.5-0.3B milik Baidu — mengenali setiap wilayah: teks, tabel, formula, dan bagan. Argumen Baidu untuk pemisahan ini adalah bahwa memisahkan tata letak dari pengenalan menghindari mode kegagalan halusinasi dan ketidaksejajaran elemen yang ditunjukkan model end-to-end pada halaman kompleks dengan banyak kolom.

NVIDIA-Nemotron-Parse-2.0 adalah taruhan yang berlawanan: model end-to-end tunggal. Encoder visi ViT-H yang dibangun di atas backbone C-RADIOv2 milik NVIDIA memberi masukan ke decoder bergaya mBART sepuluh lapis, dan keseluruhan sistem memetakan gambar halaman secara langsung menjadi teks urutan baca, kotak pembatas, kelas semantik, dan markdown dalam satu lintasan. Tidak ada tahap tata letak terpisah untuk diinstal, disetel, atau dikelola versinya.

Lembar spesifikasi berbunyi sebagai berikut:

• Arsitektur — PaddleOCR-VL: deteksi tata letak (PP-DocLayoutV3) ditambah VLM pengenalan 0.9B (encoder NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: sebuah vision-encoder-decoder 0.9B (ViT-H C-RADIOv2 + decoder bergaya mBART).

• Kontrak keluaran — keduanya mengembalikan teks urutan-baca, kotak pembatas, dan kelas semantik per region, serta markdown. PaddleOCR-VL menambahkan prompt khusus tugas untuk pengenalan teks, tabel, rumus, bagan, spotting, dan segel; Parse 2.0 mengeluarkan tabel sebagai LaTeX, HTML, markdown, JSON, atau CSV, dan pada 2.0 memperoleh kelas semantik bagan khusus.

Konteks — PaddleOCR-VL 1.6 mendukung hingga 131.072 token konteks; dokumen kartu Parse 2.0 menerima input hingga 2048×1664 dan batas output 9.000 token.

• Lisensi — PaddleOCR-VL adalah Apache 2.0; Parse 2.0 berada di bawah NVIDIA Open Model License dengan tokenizer di bawah CC-BY-4.0. Keduanya mengizinkan penggunaan komersial.

Masalah benchmark: 96.33% vs angka yang tak seorang pun bisa memeriksa

Ini adalah bagian di mana aduannya tidak lagi sekadar perbandingan, melainkan menjadi pertanyaan tentang sumber.

PaddleOCR-VL's current release, PaddleOCR-VL 1.6, dated May 28, 2026, reports 96.33% on OmniDocBench v1.6 — a composite of text, formula, and table recognition plus reading-order prediction — and 93.19% on Real5-OmniDocBench, a robustness variant for warped, skewed, and screen-photographed pages, where Baidu says it leads Gemini-3-Pro by nearly four points. Those are Baidu's own figures, but they are reported on the field's shared public benchmark, which is why they can be ranked against MinerU 2.5-Pro, GLM-OCR, and the rest of the leaderboard.

NVIDIA-Nemotron-Parse-2.0 melaporkan rangkaian angka yang berbeda pada pengujian yang berbeda. ParseBench secara keseluruhan 0.6391, naik dari 0.5782 pada v1.2; F1 multibahasa MOSCAR 0.9102, naik dari 0.4410; ANLS IndicVisionBench 0.7203, naik dari 0.0612; dan jarak edit tulisan tangan OmniDocBench Notes turun menjadi 0.3395 dari 0.9739. Semua angka tersebut adalah milik NVIDIA sendiri, tertera di kartu model, dan tidak ada satu pun yang direproduksi secara independen. ParseBench adalah pengujian milik NVIDIA; MOSCAR dan IndicVisionBench adalah kumpulan khusus. Tidak ada hasil publikasi Parse 2.0 pada gabungan OmniDocBench yang PaddleOCR-VL ungguli, dan tidak ada hasil PaddleOCR-VL pada ParseBench.

Jadi jawaban jujur untuk {{1}}siapa yang skornya lebih tinggi{{/1}} adalah belum ada yang tahu, dan siapa pun yang mengklaim sebaliknya sedang membandingkan tolok ukur yang berbeda. Satu-satunya titik tumpang tindih adalah tulisan tangan di OmniDocBench Notes, di mana kartu Parse 2.0 mengklaim peningkatan jarak edit yang besar dibandingkan pendahulunya sendiri — {{2}}tetapi itu adalah angka tingkat tugas, bukan skor gabungan yang dilaporkan PaddleOCR-VL{{/2}}. Asimetri yang sebenarnya penting adalah {{3}}struktural{{/3}}: 96.33 milik PaddleOCR-VL adalah posisi papan peringkat yang bisa dilihat siapa pun, sementara klaim Parse 2.0 adalah repositori berusia lima hari tanpa pemeriksaan pihak ketiga sama sekali.

Bahasa: cakupan vs delta yang diklaim

Kedua model mengedepankan bahasa dalam tawaran mereka, dan keduanya memiliki sebuah cerita — tetapi bentuk cerita-cerita tersebut berbeda.

Kisah multibahasa PaddleOCR-VL adalah cakupan yang sudah tersedia: 109 bahasa, dengan kedalaman khusus pada titik tersulit OCR multibahasa — dokumen Tionghoa kuno, karakter Tionghoa langka, pengenalan segel dan stempel, teks vertikal, serta lokalisasi kotak tak beraturan untuk halaman miring atau terlipat. Inilah parser yang diadopsi dunia pipeline dokumen Tionghoa justru karena alasan itu.

Kisah NVIDIA-Nemotron-Parse-2.0 adalah delta yang diklaim. Kosakata bertambah dari 52.329 menjadi 72.256 token, dan kartu tersebut mengaitkan pertumbuhan ini dengan OCR multibahasa, dengan peningkatan terbesar yang diklaim pada aksara CJK dan Indic. Lonjakan MOSCAR dari 0,44 menjadi 0,91 dan IndicVisionBench dari 0,06 menjadi 0,72 adalah klaim bahwa aksara yang dulu gagal kini dapat diurai dengan memadai — mencakup Bengali, Hindi, Telugu, Tamil, dan enam bahasa Indic lainnya, menurut kartu tersebut.

Yang mana yang penting bergantung pada apa yang Anda parse. Jika korpus Anda berbahasa Tionghoa atau secara luas CJK, PaddleOCR-VL adalah pilihan yang terbukti dan didukung papan peringkat, dan satu-satunya pertanyaan nyata adalah apakah Anda memerlukan pipeline lengkapnya atau hanya modelnya. Jika korpus Anda condong ke Indic — Bengali, Hindi, Gujarati, Kannada, dan bahasa-bahasa tetangganya — delta klaim Parse 2.0 adalah angka paling menarik di kartunya, dan itu persis jenis klaim yang bisa terulang di data Anda atau gagal. Belum ada yang menjalankan Parse 2.0 pada benchmark Indic publik.

Kesenjangan jatuh tempo adalah harga yang sesungguhnya.

Tidak ada model yang dikenakan biaya per halaman — keduanya adalah bobot gratis yang Anda layani sendiri — jadi harga yang penting adalah harga operasional, dan di sana kesenjangannya lebar.

PaddleOCR-VL adalah platform yang stabil. Dukungan vLLM native sudah ada di dalam framework itu sendiri (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 atau lebih baru); Baidu mengirimkan deployment performa tinggi resmi dengan gateway FastAPI, Triton untuk tahap layout, dan vLLM untuk VLM; ada kuantisasi GGUF dari komunitas; PaddleOCR-VL 1.5 menambahkan dukungan AMD ROCm sejak hari pertama; dan model ini terintegrasi dengan perkakas yang sudah banyak dipakai orang — RAGFlow, MinerU, Umi-OCR, dan OmniParser semuanya terintegrasi dengannya. Pindah dari 1.5 ke 1.6 tidak berbiaya karena arsitekturnya tidak berubah.

NVIDIA-Nemotron-Parse-2.0 baru berusia lima hari dan itu sudah terlihat. Menyajikannya berarti build vLLM dengan dukungan remote-code Nemotron Parse, backend perhatian Triton pada perangkat keras kelas A100/A10, dan empat dependensi tambahan (albumentations, timm, open_clip_torch, einops). Model ini mempertahankan kepala keluarannya terikat pada embedding decoder, yang beberapa build vLLM tidak tangani dengan benar kecuali Anda menambahkan patch runtime bawaan NVIDIA. Dan tokenizer.json yang disertakan memiliki padding bawaan hingga 9.000 token — seorang pemelihara Dynamo menemui kasus nyata pada awal Agustus di mana prompt pendek membengkak menjadi puluhan ribu ID token. Tidak ada yang fatal; semuanya adalah waktu rekayasa yang tidak pernah diminta oleh platform yang mapan. Juga tidak ada endpoint yang di-host dan tidak ada paket NIM yang terdaftar untuk 2.0, jadi hosting sendiri adalah satu-satunya pilihan.

Kecepatan: keduanya cepat, satu diklaim

Untuk parser halaman, throughput adalah angka yang menghasilkan uang. Angka utama PaddleOCR-VL sekitar 1.881 token per detik pada satu A100, diklaim saat peluncuran v1.0 dan masih dilaporkan oleh vendor — cukup cepat sehingga model 0,9B ini rutin digunakan untuk OCR volume tinggi. NVIDIA-Nemotron-Parse-2.0 adalah model end-to-end 0,9B, sehingga secara desain memang cepat, dan ekosistemnya sudah mendorong lebih jauh: sebuah pull request vLLM yang sedang direview per 5 Agustus memungkinkan speculative decoding dengan menggunakan kepala prediksi tambahan yang disertakan NVIDIA bersama bobot model, yang melaporkan peningkatan throughput output median sebesar 45,65% pada konkurensi 1, 40,85% pada konkurensi 8, dan 39,60% pada konkurensi 32 di H100 untuk 1.005 halaman ParseBench. PR tersebut belum di-merge dan belum direproduksi — anggap persentase tersebut sebagai indikasi arah, bukan sebagai tolok ukur yang bisa Anda kutip.

Siapa yang harus memilih yang mana

• Pilih PaddleOCR-VL jika Anda memerlukan tahap parsing yang berfungsi di kuartal ini: dokumen berbahasa Tiongkok atau CJK multibahasa, ekstraksi tabel dan formula pada tingkat SOTA, deployment vLLM atau Docker, serta rekor papan peringkat yang dapat Anda tunjukkan dalam rapat. Ini adalah pilihan produksi berisiko rendah, dan merupakan jawaban bagi siapa pun yang korpusnya mayoritas CJK.

• Pilih NVIDIA-Nemotron-Parse-2.0 jika Anda sudah menge-host sendiri keluarga Nemotron Parse — 2.0 adalah peningkatan drop-in dengan bentuk API yang sama — jika korpus Anda banyak berisi aksara India atau tulisan tangan dan Anda ingin menguji apakah delta pada kartu tersebut dapat direplikasi, atau jika kelas semantik bagan khusus layak mendapat waktu rekayasa yang nyata. Siapkan anggaran untuk hambatan pengadopsi awal, dan jangan pertaruhkan jalur produksi pada ini sebelum evaluasi Anda sendiri.

• Ambil jalan tengah jika pipeline Anda benar-benar "parser, lalu LLM" — yang memang sebagian besar seperti itu. Parser adalah satu tahap; model yang merangkum markdown, mengekstrak field, atau menjawab pertanyaan retrieval adalah tahap terpisah, dan tahap kedua itulah tempat platform routing membuktikan nilainya. Tidak satu pun parser dalam perbandingan ini tersedia di OrcaRouter — keduanya adalah open weights yang di-host sendiri — tetapi lapisan di sekitarnya persis itulah fungsi OrcaRouter: 200+ model di belakang satu API dengan harga sesuai daftar penyedia, markup 0% sehingga penurunan harga vendor langsung berlaku pada hari yang sama saat diumumkan, dan failover otomatis jika salah satu penyedia mengalami penurunan kinerja. Versi praktis dari saran tersebut: jika Anda akan mempertaruhkan pipeline pada parser yang belum terbukti, buat semua yang ada di sekitarnya dapat ditukar, sehingga failover dari Parse 2.0 ke PaddleOCR-VL atau ke LLM yang berbeda adalah perubahan routing, bukan penulisan ulang.

Intinya

Pilihan di sini sebenarnya bukan antara dua model — melainkan antara catatan publik dan klaim pribadi. PaddleOCR-VL 1.6 adalah SOTA open-weight yang terbukti: 96.33 di OmniDocBench v1.6, 109 bahasa, stack serving yang mapan, dan ekosistem yang sudah dibangun di sekitarnya. NVIDIA-Nemotron-Parse-2.0 adalah penantang yang tenang: baru berusia lima hari, tidak diumumkan, hanya self-hosted, dengan kartu model yang mengklaim peningkatan multibahasa dan tulisan tangan yang sangat besar yang belum diverifikasi siapa pun. 96.33 dan 0.6391 tidak dapat dibandingkan secara langsung, dan berpura-pura sebaliknya adalah cara tim-tim berakhir mengutip angka-angka yang bermakna berbeda. Jika Anda merilis hari ini, rilis PaddleOCR-VL. Jika klaim multibahasa adalah hal yang diuji oleh korpus Anda, penantang yang tenang adalah evaluasi akhir pekan yang murah pada dokumen Anda sendiri — perbedaan-perbedaan itu adalah tipe yang bisa terulang atau runtuh, dan rilis yang tenang adalah cara termurah untuk mengetahui yang mana.

FAQ

Bisakah saya membandingkan PaddleOCR-VL dan NVIDIA-Nemotron-Parse-2.0 pada satu benchmark hari ini?

Tidak secara bermakna. Skor 96.33 PaddleOCR-VL adalah komposit OmniDocBench v1.6 — tolok ukur publik bersama di bidang ini — sementara angka-angka Parse 2.0 berasal dari ParseBench (rangkaian milik NVIDIA sendiri), MOSCAR, IndicVisionBench, dan subset tulisan tangan OmniDocBench, semuanya dilaporkan vendor. Tidak ada pengujian independen Parse 2.0 pada komposit OmniDocBench, dan tidak ada pengujian PaddleOCR-VL pada ParseBench. Satu-satunya tumpang tindih adalah tulisan tangan pada OmniDocBench Notes, dan bahkan di sana kedua model melaporkan jenis skor yang berbeda. Sampai pihak ketiga menjalankan Parse 2.0 pada tolok ukur bersama tersebut, perbandingan itu bagaikan membandingkan apel dengan jeruk.

Model mana yang lebih baik dalam menangani dokumen bahasa Mandarin dan CJK lainnya?

Per hari ini, PaddleOCR-VL, dan tidak ada yang mendekati dalam hal bukti. Model Baidu bersifat native CJK, memegang SOTA publik pada tolok ukur yang menjadi rujukan bidang ini, dan memiliki kekuatan terdokumentasi dalam dokumen kuno Tiongkok, karakter langka, dan pengenalan cap. Kartu NVIDIA-Nemotron-Parse-2.0 mengklaim peningkatan besar pada CJK dan Indic dibandingkan v1.2, tetapi angka-angka tersebut dilaporkan oleh vendor dan belum diuji secara independen. Klaim tersebut layak diuji jika Anda mengurai skrip-skrip itu; ini belum menjadi hasil yang dapat Anda andalkan.

Apakah kedua model gratis untuk digunakan, dan bagaimana cara menjalankannya?

Keduanya adalah bobot gratis dengan izin penggunaan komersial — PaddleOCR-VL di bawah Apache 2.0, Parse 2.0 di bawah NVIDIA Open Model License — tetapi keduanya bukan API yang di-host di platform routing, dan Parse 2.0 tidak memiliki opsi hosted sama sekali. PaddleOCR-VL berjalan secara native di vLLM, dalam deployment Docker resmi Baidu, serta melalui situs web PaddleOCR dan API cloud Baidu. Parse 2.0 harus di-host sendiri dengan build vLLM yang mendukung kode remote Nemotron Parse, ditambah patch tied-output-head dan perbaikan tokenizer. Tahap parsing ada di tangan Anda bagaimanapun juga; yang ditambahkan oleh lapisan routing adalah tahap LLM setelahnya, di mana Anda menginginkan kebebasan untuk mengganti model tanpa merancang ulang pipeline.