NVIDIA-Nemotron-Parse-2.0 vs PaddleOCR-VL: 静かな挑戦者 vs 実証済みのSOTA

ドキュメント解析は今、{{1}}オープンウェイトSOTAレース{{/1}}の真っ只中にあり、二人の競争者は{{2}}同じ土俵に立っていない{{/2}}。百度のPaddlePaddleチームによる0.9BパーサーであるPaddleOCR-VLは、OmniDocBench v1.6のトップに96.33の複合スコアで君臨し、10ヶ月で3回のリリース、そしてその周りに集まったOCR最大のエコシステムを持つ。もう一人の競争者であるNVIDIA-Nemotron-Parse-2.0は、2026年8月3日にHugging Faceに現れた。アナウンスもなく、ホストされたエンドポイントもなく、そのモデルカードの数字はNVIDIA社外ではまだ誰も検証していない。この二つの事実は、これを{{3}}既存勢力の問い{{/3}}にする：{{4}}あなたのパイプラインの解析段階に賭けるオープンウェイトパーサーはどちらか——公開リーダーボードの記録を持つものか、それとも他の誰もが苦労する言語を修正したと静かに主張してリリースされたものか？{{/4}}

ページパーサーを構築する2つの方法

両モデルとも約0.9Bパラメータで、オープンウェイトであり、セルフホスティングを前提に構築されています。類似点はそこまでです。この2つは正反対のアーキテクチャ哲学に立っているからです。

PaddleOCR-VLは2段階のパイプラインです。まず、レイアウトモデルであるPP-DocLayoutV3がページ上のすべての要素を検出し、分類し、読み順を予測します。そして初めて、PaddleOCR-VLの視覚言語モデル — NaViTスタイルの動的解像度ビジョンエンコーダーと、Baiduの軽量なERNIE-4.5-0.3B言語モデルを組み合わせたもの — が、テキスト、表、数式、グラフといった各領域を認識します。Baiduがこの分割を支持する根拠は、レイアウト解析と認識を分離することで、エンドツーエンドモデルが複雑な多段組ページで示すハルシネーションや要素の位置ずれといった障害モードを回避できるからです。

NVIDIA-Nemotron-Parse-2.0は正反対の賭けに出ている。単一のエンドツーエンドモデルだ。NVIDIAのC-RADIOv2バックボーン上に構築されたViT-Hビジョンエンコーダーが10層のmBARTスタイルのデコーダーに供給され、この全体がページ画像を読み順テキスト、バウンディングボックス、セマンティッククラス、マークダウンへとワンパスで直接マッピングする。インストール、チューニング、バージョン管理を必要とする独立したレイアウトステージは存在しない。

スペックシートには、それに応じて記載されています：

アーキテクチャ — PaddleOCR-VL: レイアウト検出（PP-DocLayoutV3）に加えて、0.9B認識VLM（NaViTエンコーダ + ERNIE-4.5-0.3B）。NVIDIA-Nemotron-Parse-2.0: 単一の0.9Bビジョンエンコーダ・デコーダ（ViT-H C-RADIOv2 + mBARTスタイルのデコーダ）。

• 出力契約 — 両者は、読み順テキスト、リージョンごとのバウンディングボックスとセマンティッククラス、およびマークダウンを返します。PaddleOCR-VLは、テキスト、テーブル、数式、チャート、スポッティング、印章認識用のタスク固有のプロンプトを追加します。Parse 2.0はテーブルをLaTeX、HTML、マークダウン、JSON、またはCSVとして出力し、2.0では専用のチャートセマンティッククラスが追加されました。

• コンテキスト — PaddleOCR-VL 1.6 は最大131,072トークンのコンテキストをサポート。Parse 2.0のカード文書は入力が最大2048×1664、出力上限は9,000トークン。

• ライセンス — PaddleOCR-VLはApache 2.0です。Parse 2.0はNVIDIA Open Model Licenseに基づいており、トークナイザーはCC-BY-4.0です。どちらも商用利用が許可されています。

ベンチマーク問題: 96.33% 対 誰も確認できない数字

ここが、マッチアップが比較ではなくなり、調達の問題に変わる部分です。

PaddleOCR-VLの現在のリリースであるPaddleOCR-VL 1.6（2026年5月28日付）は、テキスト・数式・表の認識に加えて読取順序の予測を含む複合ベンチマークOmniDocBench v1.6で96.33%、また、歪んだ・傾いた・スクリーン撮影されたページに対するロバスト性評価のバリアントであるReal5-OmniDocBenchで93.19%を記録しています。Baiduによると、これはGemini-3-Proを約4ポイント上回っています。これらの数値はBaidu自身のものですが、この分野の共通の公開ベンチマークで報告されているため、MinerU 2.5-Pro、GLM-OCR、その他のリーダーボードのエントリと比較して順位付けが可能です。

NVIDIA-Nemotron-Parse-2.0は、異なるスイートで異なる数値セットを報告している。ParseBench全体では0.6391（v1.2の0.5782から上昇）、MOSCAR多言語F1は0.9102（0.4410から上昇）、IndicVisionBench ANLSは0.7203（0.0612から上昇）、そしてOmniDocBench Notesの手書き編集距離は0.9739から0.3395に低下している。これらはすべてNVIDIA自身の測定値であり、モデルカードに記載されているが、独立に再現されたものは一つもない。ParseBenchはNVIDIAのスイートであり、MOSCARとIndicVisionBenchは専門的なベンチマークセットである。PaddleOCR-VLがトップを占めるOmniDocBench複合ベンチマークにおけるParse 2.0の実行結果は公開されておらず、ParseBenchにおけるPaddleOCR-VLの実行結果も公開されていない。

つまり「どちらのスコアが高いか」への正直な答えは、まだ誰にもわからないということです。そして、それ以外を主張する人は、異なる物差しを比較しているにすぎません。唯一の重なりポイントは、OmniDocBench Notesにおける手書き文字で、Parse 2.0のカードは、自身の前身に対する大きな編集距離の改善を主張しています——しかし、それはタスクレベルの数値であり、PaddleOCR-VLが報告する複合スコアではありません。実際に重要な非対称性は構造的なものです：PaddleOCR-VLの96.33は誰でも確認できるリーダーボードの順位ですが、Parse 2.0の主張は、第三者による検証がまったくない、5日前のリポジトリに基づいています。

言語: カバレッジ対申告デルタ

どちらのモデルも言語を売り込みの柱に据え、どちらにもストーリーはある——だが、そのストーリーの形はそれぞれ異なる。

PaddleOCR-VLの多言語対応の強みは、すでに提供されているカバレッジにあります。109言語に対応し、多言語OCRが最も難しい分野、すなわち中国の古文書、稀な漢字、印鑑・スタンプ認識、縦書きテキスト、傾いたり折れたりしたページの不規則なボックス位置特定に特に深く対応しています。中国語文書パイプラインの世界がまさにその理由で採用したパーサーです。

NVIDIA-Nemotron-Parse-2.0のストーリーは、主張された差分である。語彙は52,329トークンから72,256トークンへと増加し、カードはその増加を多言語OCRに帰属させており、最大の向上はCJKとインド系文字で主張されている。MOSCARが0.44から0.91へ、IndicVisionBenchが0.06から0.72へ跳ね上がったことは、かつて失敗していた文字が今や許容可能に解析されるという主張であり、カードによれば、ベンガル語、ヒンディー語、テルグ語、タミル語、およびさらに6つのインド系言語にわたる。

どちらが重要かは、何を解析するかによります。コーパスが中国語、または広くCJK（中国語・日本語・韓国語）系であれば、PaddleOCR-VLは実績があり、リーダーボードでも裏付けられた選択肢です。そして唯一の本当の論点は、フルパイプラインが必要なのか、それともモデルだけで十分なのかということだけです。コーパスがインド系言語（ベンガル語、ヒンディー語、グジャラート語、カンナダ語、およびその周辺言語）に偏っている場合、Parse 2.0が主張するデルタ値は、そのスペックカード上で最も興味深い唯一の数字です。そしてそれはまさに、あなたのデータで再現されるか、あるいは崩れるかのどちらかである種の主張です。まだ誰も、公開されているインド系言語ベンチマークでParse 2.0を実行していません。

満期ギャップこそが真の代償である。

どちらのモデルもページごとの料金はかかりません — どちらも自分でサーブする無料のウェイトです — つまり重要なのは運用コストであり、そこには大きな差があります。

PaddleOCR-VLは成熟したプラットフォームです。ネイティブのvLLMサポートはフレームワーク自体に含まれており（vllm/model_executor/models/paddleocr_vl.py、vLLM 0.11.1以降）、BaiduはFastAPIゲートウェイ、レイアウト段階用のTriton、VLM用のvLLMを備えた公式の高性能デプロイメントを提供しています。コミュニティによるGGUF量子化も存在します。PaddleOCR-VL 1.5はAMD ROCmを初日からサポートし、このモデルは多くの人が既に使っているツールに組み込まれています。RAGFlow、MinerU、Umi-OCR、OmniParserはすべて統合しています。アーキテクチャが変わらないため、1.5から1.6への移行はコストゼロです。

NVIDIA-Nemotron-Parse-2.0は公開から5日しか経っておらず、その粗さが目立つ。それをデプロイするには、Nemotron ParseのリモートコードをサポートしたvLLMビルドと、A100/A10クラスのハードウェア上のTritonアテンションバックエンドに加え、追加の依存関係が4つ（albumentations、timm、open_clip_torch、einops）必要になる。このモデルは出力ヘッドをデコーダの埋め込みに結びつけたままにしており、一部のvLLMビルドではNVIDIAが同梱するランタイムパッチを追加しない限りこれを誤って処理する。さらに、同梱のtokenizer.jsonには9,000トークンへのパディングが組み込まれており、Dynamoのメンテナは8月初旬に、短いプロンプトが数万のトークンIDに膨れ上がる実例に遭遇した。どれも致命的ではないが、いずれも安定したプラットフォームなら決して必要としないエンジニアリング時間を費やすものだ。さらに、2.0にはホスト型エンドポイントもNIMパッケージングも記載されておらず、セルフホスティングが唯一の選択肢である。

速度：両方とも速いが、片方は主張に過ぎない

ページパーサーにとって、スループットは収益に直結する数値です。PaddleOCR-VLの主要指標は、A100単体で毎秒約1,881トークンであり、v1.0の発表時に謳われ、現在もベンダー報告値のままです。0.9Bモデルが高容量OCRに日常的に使用されるほど高速です。NVIDIA-Nemotron-Parse-2.0は0.9Bのエンドツーエンドモデルであるため、構造上高速で、エコシステムはすでにさらなる進化を遂げています。8月5日時点でレビュー中のvLLMプルリクエストは、NVIDIAが重みと併せて提供する補助予測ヘッドを用いた投機的復号を可能にし、ParseBenchの1,005ページに対するH100上での中央値出力スループット向上を、並行度1で45.65%、並行度8で40.85%、並行度32で39.60%と報告しています。このPRはマージされておらず、再現もされていません。これらのパーセンテージは方向性を示す参考値として捉え、引用可能なベンチマークとして扱わないでください。

誰がどれを選ぶべきか

• 今四半期に機能する解析ステージが必要なら、PaddleOCR-VLを選んでください。中国語または多言語CJKドキュメント、SOTAレベルの表・数式抽出、vLLMまたはDockerでのデプロイ、会議で提示できるリーダーボード記録などに対応します。これは低リスクな本番環境向けの選択肢であり、コーパスの大部分がCJKである人にとっては答えです。

• すでに Nemotron Parse ファミリーをセルフホストしている場合、NVIDIA-Nemotron-Parse-2.0 を選んでください。2.0 は同じ API 形状のドロップインアップグレードです。コーパスにインド系文字や手書き文字が多く、カードの差分が再現するかをテストしたい場合、または専用のチャート意味論クラスが実エンジニアリング時間に見合うかを判断したい場合に適しています。初期採用者の摩擦に備えた予算を組み、自社での評価を行う前に本番パスをそれに賭けないでください。

• パイプラインが本当に「パーサー、それからLLM」という構成なら、中間の道を選ぶこと——大半はそうだ。パーサーは1つのステージであり、Markdownを要約したり、フィールドを抽出したり、検索質問に答えたりするモデルは別のステージである。そして、その2番目のステージこそ、ルーティングプラットフォームが価値を発揮する場所だ。この比較に登場するパーサーはどちらもOrcaRouter上にはない——どちらもセルフホストのオープンウェイトである——しかし、その周囲のレイヤーこそ、まさにOrcaRouterが意図する用途だ。すなわち、1つのAPIで200以上のモデルをプロバイダーの定価で利用でき、マークアップは0%なので、ベンダーが値下げを発表したその日にその価格が反映され、さらに1つのプロバイダーが劣化した場合には自動フェイルオーバーする。このアドバイスを実践的に言い換えると、実証されていないパーサーにパイプラインを賭けるつもりなら、その周囲のすべてを交換可能にしておくことだ。そうすれば、Parse 2.0からPaddleOCR-VLや別のLLMへのフェイルオーバーは、書き直しではなくルーティングの変更で済む。

結論

ここでの選択は、実際には2つのモデルの間のものではなく、公的な記録と私的な主張の間のものです。PaddleOCR-VL 1.6は、実績のあるオープンウェイトのSOTAです。OmniDocBench v1.6で96.33を達成し、109言語に対応し、安定したサービングスタックと、すでに構築されたエコシステムを備えています。NVIDIA-Nemotron-Parse-2.0は、静かな挑戦者です。登場から5日で、未発表、セルフホストのみに対応し、モデルカードでは、誰も検証していない非常に大きな多言語対応と手書き認識の向上が主張されています。96.33と0.6391は直接比較できません。直接比較できるかのように装うと、チームは異なる意味を持つ数値を引用することになります。今日リリースするなら、PaddleOCR-VLを選びましょう。多言語対応の主張がコーパステストの対象であるなら、静かな挑戦者は、自社のドキュメントを使った安価な週末評価に最適です。その差分は、再現されるか、崩れるかのどちらかです。静かなリリースは、それを確かめる最も安価な方法です。

よくある質問

今日、PaddleOCR-VLとNVIDIA-Nemotron-Parse-2.0を単一のベンチマークで比較できますか？

意味のある比較にはなりません。PaddleOCR-VLの96.33はOmniDocBench v1.6の複合スコア（この分野の共通公開ベンチマーク）ですが、Parse 2.0の数値はParseBench（NVIDIA独自のスイート）、MOSCAR、IndicVisionBench、そしてOmniDocBenchの手書きサブセットに基づくもので、すべてベンダーによる自己報告です。OmniDocBench複合スコアでのParse 2.0の独立した実行結果は存在せず、ParseBenchでのPaddleOCR-VLの実行結果も存在しません。唯一重なるのはOmniDocBench Notesでの手書き認識ですが、そこでも両モデルは異なる種類のスコアを報告しています。第三者が共通ベンチマークでParse 2.0を実行しない限り、この比較はりんごとオレンジを比べるようなものです。

中国語やその他のCJK文書をよりうまく処理できるモデルはどれですか？

現時点では、PaddleOCR-VLが優位であり、証拠を見る限り接戦でもない。BaiduのモデルはCJKネイティブで、この分野が評価の基準とするベンチマークで公開SOTAを保持し、中国の古文書、稀な文字、印章認識における実証された強みを持つ。NVIDIA-Nemotron-Parse-2.0のカードは、v1.2と比較してCJKおよびIndicで大きな改善を主張しているが、その数値はベンダーによる報告であり、独立に検証されたものではない。この主張は、それらの文字を解析するのであれば検証する価値があるが、まだ信頼できる結果とは言えない。

両方のモデルは無料で使用できますか？また、どうやって実行すればよいですか？

両方とも商用利用が許可されたフリーウェイトです — PaddleOCR-VL は Apache 2.0、Parse 2.0 は NVIDIA Open Model License の下で提供されています — しかし、どちらもルーティングプラットフォーム上のホスト型APIではなく、Parse 2.0 にはホスト型の選択肢がまったくありません。PaddleOCR-VL は vLLM でネイティブに動作し、Baidu 公式の Docker デプロイメント、PaddleOCR ウェブサイト、Baidu のクラウド API を介して利用できます。Parse 2.0 は、Nemotron Parse のリモートコードをサポートする vLLM ビルドに加えて、tied-output-head パッチとトークナイザ修正を備えたセルフホストが必要です。いずれにしても解析ステージは自分で行うことになります。ルーティングレイヤーが追加するのはその後の LLM ステージであり、そこではパイプラインを再設計せずにモデルを交換する自由が求められます。