NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL: Lo sfidante silenzioso vs la SOTA comprovata

Il parsing dei documenti è nel bel mezzo di una corsa al SOTA open-weight, e i due contendenti non giocano sullo stesso campo. {{1}}PaddleOCR-VL, il parser da 0.9B del team PaddlePaddle di Baidu, è in cima a OmniDocBench v1.6 con un punteggio composito di 96,33, tre release in dieci mesi e il più grande ecosistema OCR raccolto attorno a sé.{{/1}} {{2}}NVIDIA-Nemotron-Parse-2.0, l'altro contendente, è apparso su Hugging Face il 3 agosto 2026, senza alcun annuncio, senza un endpoint ospitato e con una scheda del modello i cui numeri nessuno al di fuori di NVIDIA ha ancora verificato.{{/2}} Questa coppia di fatti trasforma il tutto in una questione di incumbent: su quale parser open-weight scommetti la fase di parsing della tua pipeline — quello con un record pubblico in classifica, o quello che è stato rilasciato in silenzio sostenendo di aver risolto le lingue con cui tutti gli altri faticano?

Due modi per costruire un parser di pagine

Entrambi i modelli hanno circa 0,9B parametri, entrambi sono open-weight ed entrambi sono progettati per essere self-hosted. È qui che finiscono le somiglianze, perché i due si basano su filosofie architettoniche opposte.

PaddleOCR-VL è una pipeline a due stadi. Un modello di layout, PP-DocLayoutV3, rileva prima ogni elemento su una pagina, lo classifica e prevede l'ordine di lettura. Solo allora il modello visione-linguaggio PaddleOCR-VL — un encoder di visione a risoluzione dinamica in stile NaViT abbinato al modello linguistico leggero ERNIE-4.5-0.3B di Baidu — riconosce ogni regione: il testo, le tabelle, le formule, i grafici. La motivazione di Baidu per questa separazione è che separare il layout dal riconoscimento evita i modi di fallimento di allucinazione e disallineamento degli elementi che i modelli end-to-end mostrano su pagine complesse a più colonne.

NVIDIA-Nemotron-Parse-2.0 è la scommessa opposta: un singolo modello end-to-end. Un encoder visivo ViT-H costruito sul backbone C-RADIOv2 di NVIDIA alimenta un decoder in stile mBART a dieci strati, e il tutto mappa un'immagine di pagina direttamente in testo in ordine di lettura, bounding box, classi semantiche e markdown in un'unica passata. Non esiste una fase di layout separata da installare, ottimizzare o versionare.

La scheda tecnica riporta quanto segue:

• Architettura — PaddleOCR-VL: rilevamento del layout (PP-DocLayoutV3) più un VLM di riconoscimento da 0.9B (encoder NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: un encoder-decoder visivo da 0.9B (ViT-H C-RADIOv2 + decoder in stile mBART).

• Contratto di output — entrambi restituiscono testo in ordine di lettura, un bounding box e una classe semantica per regione, e markdown. PaddleOCR-VL aggiunge prompt specifici per attività per il riconoscimento di testo, tabelle, formule, grafici, spotting e sigilli; Parse 2.0 emette le tabelle come LaTeX, HTML, markdown, JSON o CSV e nella versione 2.0 ha introdotto una classe semantica dedicata ai grafici.

• Contesto — PaddleOCR-VL 1.6 supporta fino a 131.072 token di contesto; i documenti card di Parse 2.0 hanno input fino a 2048×1664 e un tetto massimo di output di 9.000 token.

• Licenza — PaddleOCR-VL è Apache 2.0; Parse 2.0 è sotto la NVIDIA Open Model License con il tokenizer sotto CC-BY-4.0. Entrambe consentono l'uso commerciale.

Il problema del benchmark: 96,33% contro un numero che nessuno può verificare.

Questa è la parte in cui il confronto smette di essere un paragone e diventa una questione di approvvigionamento.

La release attuale di PaddleOCR-VL, PaddleOCR-VL 1.6, datata 28 maggio 2026, riporta il 96,33% su OmniDocBench v1.6 — una combinazione di riconoscimento di testo, formule e tabelle più la previsione dell'ordine di lettura — e il 93,19% su Real5-OmniDocBench, una variante di robustezza per pagine deformate, inclinate e fotografate da schermo, dove Baidu afferma di superare Gemini-3-Pro di quasi quattro punti. Questi sono i dati di Baidu, ma sono riportati sul benchmark pubblico condiviso del settore, motivo per cui possono essere confrontati con MinerU 2.5-Pro, GLM-OCR e il resto della classifica.

NVIDIA-Nemotron-Parse-2.0 riporta un insieme di numeri diverso su una suite diversa. ParseBench complessivo 0.6391, in aumento da 0.5782 su v1.2; MOSCAR F1 multilingue 0.9102, in aumento da 0.4410; IndicVisionBench ANLS 0.7203, in aumento da 0.0612; e OmniDocBench Notes distanza di modifica della scrittura a mano scesa a 0.3395 da 0.9739. Ognuno di questi è di NVIDIA stessa, stampato sulla scheda del modello, e nessuno è stato riprodotto in modo indipendente. ParseBench è la suite di NVIDIA; MOSCAR e IndicVisionBench sono set specialistici. Non esiste una pubblicazione di Parse 2.0 sul composito OmniDocBench che PaddleOCR-VL supera, e nessuna esecuzione di PaddleOCR-VL su ParseBench.

Quindi la risposta onesta a “chi ottiene un punteggio più alto” è che nessuno lo sa ancora, e chiunque affermi il contrario sta confrontando parametri diversi. L'unico punto di sovrapposizione è la scrittura a mano su OmniDocBench Notes, dove la scheda di Parse 2.0 rivendica un grande miglioramento nella distanza di edit rispetto al suo predecessore — ma quello è un numero a livello di task, non il punteggio composito riportato da PaddleOCR-VL. L'asimmetria che conta davvero è strutturale: il 96.33 di PaddleOCR-VL è una posizione in classifica che chiunque può verificare, mentre le affermazioni di Parse 2.0 provengono da una repo creata cinque giorni fa e priva di qualsiasi controllo da parte di terzi.

Lingue: copertura vs delta dichiarati

Entrambi i modelli aprono la loro presentazione con le lingue, ed entrambi hanno una storia — ma le storie hanno forme diverse.

La storia multilingue di PaddleOCR-VL è una copertura già disponibile: 109 lingue, con particolare profondità laddove l'OCR multilingue è più difficile — documenti cinesi antichi, caratteri cinesi rari, riconoscimento di sigilli e timbri, testo verticale e localizzazione di box irregolari per pagine inclinate o piegate. È il parser che il mondo delle pipeline per documenti cinesi ha adottato proprio per questo motivo.

La storia di NVIDIA-Nemotron-Parse-2.0 è un delta dichiarato. Il vocabolario cresce da 52.329 a 72.256 token, e la scheda attribuisce la crescita all'OCR multilingue, con i maggiori guadagni dichiarati per le scritture CJK e indiche. Il salto di MOSCAR da 0,44 a 0,91 e di IndicVisionBench da 0,06 a 0,72 sono affermazioni secondo cui le scritture che prima fallivano ora vengono analizzate in modo accettabile — in bengalese, hindi, telugu, tamil e altre sei lingue indiche, come indicato nella scheda.

Quale conta dipende da cosa analizzi. Se il tuo corpus è in lingua cinese o più in generale CJK, PaddleOCR-VL è la scelta comprovata, sostenuta dalle classifiche, e l'unica vera domanda è se ti serve la sua pipeline completa o solo il modello. Se il tuo corpus tende verso le lingue indiche — bengalese, hindi, gujarati, kannada e vicine — il delta dichiarato di Parse 2.0 è il singolo numero più interessante sulla sua scheda, ed è esattamente il tipo di affermazione che o si replica sui tuoi dati o crolla. Nessuno ha ancora eseguito Parse 2.0 su un benchmark indico pubblico.

Il gap di maturità è il prezzo reale

Nessuno dei due modelli costa nulla per pagina — entrambi sono pesi gratuiti che servite voi stessi — quindi il prezzo che conta è quello operativo, e lì il divario è ampio.

PaddleOCR-VL è una piattaforma consolidata. Il supporto nativo di vLLM è nel framework stesso (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 o versioni successive); Baidu offre una distribuzione ufficiale ad alte prestazioni con un gateway FastAPI, Triton per la fase di layout e vLLM per il VLM; ci sono quantizzazioni GGUF della comunità; PaddleOCR-VL 1.5 ha aggiunto il supporto AMD ROCm sin dal primo giorno; e il modello è integrato negli strumenti che la maggior parte delle persone già utilizza: RAGFlow, MinerU, Umi-OCR e OmniParser lo integrano tutti. Passare dalla versione 1.5 alla 1.6 non comporta costi perché l'architettura è invariata.

NVIDIA-Nemotron-Parse-2.0 ha cinque giorni di vita e si nota. Servirlo significa una build di vLLM con supporto per il codice remoto di Nemotron Parse, il backend di attenzione Triton su hardware di classe A100/A10 e quattro dipendenze extra (albumentations, timm, open_clip_torch, einops). Il modello mantiene la sua testa di output legata agli embedding del decoder, cosa che alcune build di vLLM gestiscono male a meno che non si aggiunga la patch runtime inclusa da NVIDIA. E il tokenizer.json fornito ha padding incorporato fino a 9.000 token: un maintainer di Dynamo ha incontrato un caso reale all'inizio di agosto in cui un prompt breve si è gonfiato fino a decine di migliaia di ID di token. Nulla di tutto ciò è fatale; è tutto tempo di ingegneria che una piattaforma stabile non richiede mai. Inoltre non c'è un endpoint ospitato e nessun pacchetto NIM elencato per la 2.0, quindi l'unica opzione è il self-hosting.

Velocità: entrambi veloci, uno dichiarato.

Per un parser di pagine, il throughput è il numero che si traduce in denaro. Il dato di punta di PaddleOCR-VL è di circa 1.881 token al secondo su una singola A100, annunciato al lancio della v1.0 e ancora dichiarato dal vendor — abbastanza elevato da rendere il modello da 0,9B di uso comune per l'OCR ad alto volume. NVIDIA-Nemotron-Parse-2.0 è un modello end-to-end da 0,9B, quindi è veloce per costruzione, e l'ecosistema sta già spingendosi oltre: una pull request vLLM in revisione al 5 agosto abilita la decodifica speculativa utilizzando la testa di predizione ausiliaria che NVIDIA distribuisce insieme ai pesi, riportando incrementi mediani del throughput di output del 45,65% con concorrenza 1, del 40,85% con concorrenza 8 e del 39,60% con concorrenza 32 su una H100, sulle 1.005 pagine di ParseBench. Questa PR non è stata integrata né riprodotta: considera le percentuali come un'indicazione di tendenza, non come un benchmark citabile.

Chi dovrebbe scegliere cosa

• Scegli PaddleOCR-VL se ti serve una fase di parsing che funzioni in questo trimestre: documenti cinesi o multilingue-CJK, estrazione di tabelle e formule a livello SOTA, distribuzione con vLLM o Docker e un record in classifica a cui puoi fare riferimento in una riunione. È la scelta di produzione a basso rischio ed è la risposta per chiunque abbia un corpus in maggioranza CJK.

• Scegli NVIDIA-Nemotron-Parse-2.0 se ospiti già autonomamente la famiglia Nemotron Parse — 2.0 è un aggiornamento drop-in con la stessa struttura dell'API — se il tuo corpus è ricco di scritture indiche o scrittura a mano e vuoi verificare se i delta della scheda si replicano, oppure se una classe semantica dedicata ai grafici vale tempo di ingegneria reale. Metti in conto l'attrito per i primi adottanti e non basare un percorso di produzione su di esso prima di una tua valutazione.

Prendi la via di mezzo se la tua pipeline è davvero "parser, poi LLM" — come lo sono la maggior parte. Il parser è una fase; il modello che riassume il markdown, estrae i campi o risponde a domande di retrieval è una fase separata, ed è in quella seconda fase che una piattaforma di routing dimostra il suo valore. Nessuno dei due parser in questo confronto è su OrcaRouter — entrambi sono pesi aperti self-hosted — ma il livello attorno a loro è esattamente ciò per cui OrcaRouter esiste: più di 200 modelli dietro una singola API al prezzo di listino del fornitore, ricarico 0% così che un taglio di prezzo del fornitore sia attivo lo stesso giorno in cui viene annunciato, e failover automatico se un fornitore degrada. La versione pratica di questo consiglio: se hai intenzione di scommettere una pipeline su un parser non collaudato, tieni tutto il resto sostituibile, così che il passaggio da Parse 2.0 a PaddleOCR-VL o a un LLM diverso sia un cambio di routing, non una riscrittura.

In definitiva

La scelta qui non è davvero {{1}}tra due modelli — è tra un record pubblico e una rivendicazione privata{{/1}}. PaddleOCR-VL 1.6 è la SOTA open-weight comprovata: 96.33 su OmniDocBench v1.6, 109 lingue, uno stack di serving consolidato e l'ecosistema già costruito attorno ad esso. NVIDIA-Nemotron-Parse-2.0 è lo sfidante silenzioso: vecchio di cinque giorni, non annunciato, solo self-hosted, con una model card che dichiara guadagni molto ampi nel multilingue e nella scrittura a mano che nessuno ha verificato. Il 96.33 e lo 0.6391 non possono essere confrontati direttamente, e fingere il contrario è così che i team finiscono per citare numeri che significano cose diverse. Se rilasci oggi, rilascia PaddleOCR-VL. Se la rivendicazione multilingue è ciò che il tuo corpus mette alla prova, lo sfidante silenzioso è una valutazione economica di un fine settimana sui tuoi stessi documenti — i delta sono del tipo che o si replicano o crollano, e un rilascio silenzioso è il modo più economico per scoprire quale.

Domande frequenti

Posso confrontare PaddleOCR-VL e NVIDIA-Nemotron-Parse-2.0 su un unico benchmark oggi?

Non in modo significativo. Il 96,33 di PaddleOCR-VL è un composito OmniDocBench v1.6 — il benchmark pubblico condiviso del settore — mentre i numeri di Parse 2.0 sono ParseBench (la suite proprietaria di NVIDIA), MOSCAR, IndicVisionBench e un sottoinsieme di scrittura a mano di OmniDocBench, tutti riportati dal fornitore. Non esiste alcuna esecuzione indipendente di Parse 2.0 sul composito OmniDocBench, e nessuna esecuzione di PaddleOCR-VL su ParseBench. L'unica sovrapposizione è la scrittura a mano su OmniDocBench Notes, e anche lì i due modelli riportano tipi diversi di punteggi. Finché una terza parte non esegua Parse 2.0 sul benchmark comune, il confronto è come confrontare mele con arance.

Quale modello gestisce meglio i documenti in cinese e in altre lingue CJK?

Ad oggi, PaddleOCR-VL è il migliore, e non è nemmeno vicino, stando alle prove. Il modello di Baidu è nativo per le lingue CJK, detiene lo stato dell'arte pubblico sul benchmark di riferimento del settore e ha una comprovata efficacia nei documenti cinesi antichi, nei caratteri rari e nel riconoscimento dei sigilli. La scheda di NVIDIA-Nemotron-Parse-2.0 dichiara grandi miglioramenti in CJK e Indic rispetto alla v1.2, ma questi numeri sono riportati dal fornitore e non sono stati testati in modo indipendente. Vale la pena testare questa affermazione se si elaborano quei sistemi di scrittura; non è ancora un risultato su cui puoi fare affidamento.

Entrambi i modelli sono gratuiti da usare, e come li eseguo?

Entrambi sono pesi liberi con uso commerciale consentito — PaddleOCR-VL sotto Apache 2.0, Parse 2.0 sotto la NVIDIA Open Model License — ma nessuno dei due è un'API ospitata su una piattaforma di routing, e Parse 2.0 non ha alcuna opzione ospitata. PaddleOCR-VL gira nativamente in vLLM, nella distribuzione Docker ufficiale di Baidu, e tramite il sito web di PaddleOCR e l'API cloud di Baidu. Parse 2.0 deve essere auto-ospitato con una build vLLM che supporta il codice remoto Nemotron Parse, oltre alla patch per la testa di output vincolata e una correzione del tokenizer. La fase di parsing dipende da te in ogni caso; ciò che un livello di routing aggiunge è la fase LLM successiva, dove vuoi la libertà di cambiare modelli senza riprogettare la pipeline.