NVIDIA-Nemotron-Parse-2.0 против PaddleOCR-VL: Тихий претендент против проверенного SOTA

Разбор документов — в самом разгаре гонки SOTA среди моделей с открытыми весами, и два участника играют на разных полях. PaddleOCR-VL, парсер на 0,9 млрд параметров от команды PaddlePaddle из Baidu, возглавляет OmniDocBench v1.6 с композитным результатом 96,33, тремя релизами за десять месяцев и крупнейшей экосистемой OCR вокруг себя. NVIDIA-Nemotron-Parse-2.0, второй участник, появился на Hugging Face 3 августа 2026 года — без анонса, без размещённого эндпоинта и с карточкой модели, чьи цифры никто за пределами NVIDIA ещё не проверил. Эта пара фактов сводит всё к вопросу о действующем лидере: на какой парсер с открытыми весами вы ставите этап разбора в своём пайплайне — на тот, что имеет публичный рекорд в лидерборде, или на тот, что тихо вышел, заявляя, будто решил проблемы с языками, с которыми остальные борются?

Два способа создания парсера страниц

Обе модели имеют около 0.9B параметров, обе имеют открытые веса, и обе предназначены для самостоятельного хостинга. На этом сходство заканчивается, поскольку они придерживаются противоположных архитектурных философий.

PaddleOCR-VL — это двухэтапный конвейер. Модель разметки PP-DocLayoutV3 сначала обнаруживает каждый элемент на странице, классифицирует его и предсказывает порядок чтения. Только затем vision-language модель PaddleOCR-VL — динамический vision-энкодер с разрешением в стиле NaViT в паре с лёгкой языковой моделью ERNIE-4.5-0.3B от Baidu — распознаёт каждую область: текст, таблицы, формулы, диаграммы. Аргумент Baidu в пользу такого разделения в том, что отделение разметки от распознавания позволяет избежать галлюцинаций и ошибок смещения элементов, которые проявляются у сквозных моделей на сложных многоколоночных страницах.

NVIDIA-Nemotron-Parse-2.0 — это ставка на противоположное: единая сквозная модель. Визион-энкодер ViT-H, построенный на основе C-RADIOv2 от NVIDIA, питает десятислойный декодер в стиле mBART, и вся система преобразует изображение страницы напрямую в текст в порядке чтения, ограничивающие рамки, семантические классы и Markdown за один проход. Здесь нет отдельного этапа разметки, который нужно устанавливать, настраивать или версионировать.

Спецификация гласит следующее:

• Архитектура — PaddleOCR-VL: обнаружение макета (PP-DocLayoutV3) плюс 0.9B распознающая VLM (кодер NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: один 0.9B визуальный кодер-декодер (ViT-H C-RADIOv2 + декодер в стиле mBART).

• Выходной контракт — обе системы возвращают текст в порядке чтения, ограничивающую рамку и семантический класс для каждой области, а также markdown. PaddleOCR-VL добавляет специфичные для задач промпты для распознавания текста, таблиц, формул, диаграмм, споттинга и печатей; Parse 2.0 выводит таблицы в форматах LaTeX, HTML, markdown, JSON или CSV, а в версии 2.0 получил выделенный семантический класс для диаграмм.

Контекст — PaddleOCR-VL 1.6 поддерживает до 131 072 токенов контекста; входные данные карточных документов Parse 2.0 — до 2048×1664, а максимальный объём вывода — 9 000 токенов.

• Лицензия — PaddleOCR-VL распространяется под Apache 2.0; Parse 2.0 — под NVIDIA Open Model License, а токенизатор — под CC-BY-4.0. Обе лицензии разрешают коммерческое использование.

Проблема бенчмарка: 96.33% против числа, которое никто не может проверить.

Это та часть, где противостояние перестаёт быть сравнением и превращается в вопрос поиска поставщиков.

Текущий релиз PaddleOCR-VL, версия 1.6 от 28 мая 2026 года, демонстрирует 96,33% на OmniDocBench v1.6 — комплексном тесте, охватывающем распознавание текста, формул и таблиц, а также предсказание порядка чтения — и 93,19% на Real5-OmniDocBench, варианте для оценки устойчивости на искажённых, перекошенных и сфотографированных с экрана страницах, где, по заявлению Baidu, он опережает Gemini-3-Pro почти на четыре пункта. Это собственные показатели Baidu, но они получены на общем публичном бенчмарке, используемом в данной области, поэтому их можно сопоставлять с MinerU 2.5-Pro, GLM-OCR и остальными участниками лидерборда.

NVIDIA-Nemotron-Parse-2.0 сообщает другой набор цифр на другом наборе тестов. ParseBench в целом 0.6391, по сравнению с 0.5782 в v1.2; MOSCAR многоязычный F1 0.9102, по сравнению с 0.4410; IndicVisionBench ANLS 0.7203, по сравнению с 0.0612; и OmniDocBench Notes редактирование рукописного текста снизилось до 0.3395 с 0.9739. Каждое из этих значений — собственные показатели NVIDIA, напечатанные на карточке модели, и ни одно не было независимо воспроизведено. ParseBench — набор NVIDIA; MOSCAR и IndicVisionBench — специализированные наборы. Нет опубликованного запуска Parse 2.0 на композитном OmniDocBench, который возглавляет PaddleOCR-VL, и нет запуска PaddleOCR-VL на ParseBench.

Итак, честный ответ на вопрос «кто набирает больше» — никто пока не знает, и любой, кто утверждает обратное, сравнивает разные мерки. Единственная точка пересечения — рукописный текст в OmniDocBench Notes, где карточка Parse 2.0 заявляет о большом улучшении по редакционному расстоянию по сравнению с собственным предшественником, — но это показатель по отдельной задаче, а не совокупный балл, который приводит PaddleOCR-VL. Асимметрия, которая действительно имеет значение, — структурная: 96.33 у PaddleOCR-VL — это позиция в лидерборде, которую может проверить каждый, тогда как заявления Parse 2.0 — это репозиторий пятидневной давности без единой сторонней проверки.

Языки: фактическое покрытие по сравнению с заявленными дельтами

Обе модели начинают свою презентацию с языков, и у обеих есть история — но формы этих историй различны.

Многоязычная история PaddleOCR-VL — это уже реализованное покрытие: 109 языков, с особой глубиной там, где многоязычный OCR наиболее сложен — древнекитайские документы, редкие китайские иероглифы, распознавание печатей и штампов, вертикальный текст и локализация неправильных рамок для наклонённых или сложенных страниц. Именно по этой причине он стал парсером, принятым в мире конвейеров обработки китайских документов.

История NVIDIA-Nemotron-Parse-2.0 — это заявленная дельта. Словарь растёт с 52 329 до 72 256 токенов, и карточка объясняет этот рост многоязычным OCR, причём наибольший прирост заявлен для письменностей CJK и индийских языков. Скачок MOSCAR с 0,44 до 0,91 и IndicVisionBench с 0,06 до 0,72 — это утверждения, что письменности, которые раньше не удавалось распознать, теперь обрабатываются приемлемо — для бенгальского, хинди, телугу, тамильского и ещё шести индийских языков, согласно карточке.

Что из этого важнее, зависит от того, что вы парсите. Если ваш корпус — китайскоязычный или в целом CJK, то PaddleOCR-VL — проверенный выбор, подтверждённый лидербордами, и единственный реальный вопрос — нужен ли вам его полный пайплайн или только модель. Если ваш корпус тяготеет к индийским языкам — бенгальскому, хинди, гуджарати, каннада и их соседям, — заявленная дельта Parse 2.0 — самая интересная цифра на его карточке, и это как раз такое утверждение, которое либо воспроизводится на ваших данных, либо рушится. Никто ещё не запускал Parse 2.0 на публичном бенчмарке для индийских языков.

Разрыв в сроках погашения — это настоящая цена.

Ни одна из моделей ничего не стоит за страницу — обе являются бесплатными весами, которые вы обслуживаете сами, — поэтому значимая цена — эксплуатационная, и здесь разрыв велик.

PaddleOCR-VL — это устоявшаяся платформа. Нативная поддержка vLLM встроена в сам фреймворк (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 или новее); Baidu поставляет официальное высокопроизводительное развёртывание с шлюзом FastAPI, Triton для этапа разметки и vLLM для VLM; есть GGUF-квантизации от сообщества; PaddleOCR-VL 1.5 добавил поддержку AMD ROCm с первого дня; и модель подключена к инструментам, которые большинство уже используют, — RAGFlow, MinerU, Umi-OCR и OmniParser — все они интегрируют её. Переход с версии 1.5 на 1.6 не требует затрат, поскольку архитектура не изменилась.

NVIDIA-Nemotron-Parse-2.0 вышел пять дней назад, и это заметно. Чтобы его обслуживать, нужна сборка vLLM с поддержкой удалённого кода Nemotron Parse, бэкенд внимания Triton на оборудовании класса A100/A10 и четыре дополнительные зависимости (albumentations, timm, open_clip_torch, einops). Модель сохраняет свою выходную голову привязанной к эмбеддингам декодера, и некоторые сборки vLLM обрабатывают это некорректно, если не применить включённый в комплект патч времени выполнения от NVIDIA. А поставляемый tokenizer.json содержит встроенный padding до 9 000 токенов — мейнтейнер Dynamo столкнулся с реальным случаем в начале августа, когда короткий промпт разросся до десятков тысяч токенов. Ни одна из этих проблем не является фатальной; всё это — инженерное время, которого устоявшаяся платформа не требует. Кроме того, для 2.0 не указаны ни размещённая конечная точка, ни упаковка NIM, так что самостоятельный хостинг — единственный вариант.

Скорость: оба быстры, один заявлен

Для парсера страниц пропускная способность — это показатель, который превращается в деньги. Главная цифра PaddleOCR-VL — примерно 1881 токен в секунду на одной A100; она была заявлена при запуске версии v1.0 и до сих пор приводится только вендором. Этой скорости достаточно, чтобы модель на 0,9B параметров регулярно использовалась для высоконагруженного OCR. NVIDIA-Nemotron-Parse-2.0 — это сквозная модель на 0,9B параметров, поэтому она быстра по построению, и экосистема уже движется дальше: pull request в vLLM, находящийся на ревью по состоянию на 5 августа, добавляет спекулятивное декодирование с использованием вспомогательной головки предсказания, которую NVIDIA поставляет вместе с весами. В нём сообщается о медианном приросте выходной пропускной способности на 45,65% при параллельности 1, на 40,85% при параллельности 8 и на 39,60% при параллельности 32, измеренном на H100 на 1005 страницах ParseBench. Этот PR не смержен и не воспроизведён — относитесь к процентам как к показателю направления, а не как к бенчмарку, на который можно ссылаться.

Кто должен выбирать

• Выбирайте PaddleOCR-VL, если вам нужен этап парсинга, который работает уже в этом квартале: китайские или многоязычные CJK-документы, извлечение таблиц и формул на уровне SOTA, развёртывание через vLLM или Docker, а также рекорд в лидерборде, на который можно сослаться на совещании. Это низкорискованный выбор для продакшена и ответ для любого, чей корпус в основном состоит из CJK.

• Выбирайте NVIDIA-Nemotron-Parse-2.0, если вы уже самостоятельно размещаете семейство Nemotron Parse — 2.0 это прямое обновление с тем же API — если ваш корпус содержит много индийских систем письма или рукописных текстов и вы хотите проверить, воспроизводятся ли дельты карточки, или если специализированный семантический класс для диаграмм оправдывает реальные инженерные затраты. Учитывайте сложности раннего внедрения и не делайте ставку на производственный маршрут, пока не проведёте собственную оценку.

• Выбирайте средний путь, если ваш конвейер на самом деле «сначала парсер, затем LLM» — как у большинства. Парсер — это один этап; модель, которая суммирует Markdown, извлекает поля или отвечает на поисковые запросы, — отдельный этап, и именно на втором этапе маршрутизирующая платформа оправдывает свою ценность. Ни один из парсеров в этом сравнении не находится на OrcaRouter — оба являются самодеплойными моделями с открытыми весами, — но слой вокруг них — это именно то, для чего предназначен OrcaRouter: более 200 моделей за одним API по прейскурантной цене провайдера, наценка 0%, так что снижение цены вендором вступает в силу в тот же день, когда оно объявлено, и автоматическое переключение при деградации одного из провайдеров. Практическая версия этого совета: если вы собираетесь строить конвейер на непроверенном парсере, обеспечьте заменяемость всего вокруг него, чтобы переход с Parse 2.0 на PaddleOCR-VL или на другую LLM был изменением маршрутизации, а не переписыванием.

Итог

Выбор здесь на самом деле не между двумя моделями — а между публичным результатом и частным заявлением. PaddleOCR-VL 1.6 — это проверенный SOTA с открытыми весами: {{1}}96.33 на OmniDocBench v1.6, 109 языков, устоявшийся стек для обслуживания и уже сложившаяся вокруг него экосистема.{{/1}} NVIDIA-Nemotron-Parse-2.0 — тихий претендент: {{2}}пять дней от роду, без анонса, только self-hosted, с карточкой модели, заявляющей об очень больших улучшениях в многоязычности и распознавании рукописного текста, которые никто не проверил.{{/2}} 96.33 и 0.6391 нельзя сравнивать напрямую, а притворяться, что можно, — это путь к тому, что команды цитируют числа, означающие разные вещи. Если выпускаете сегодня — выпускайте PaddleOCR-VL. Если многоязычное утверждение — это то, что проверяет ваш корпус, тихий претендент — это дешёвая проверка на выходных на ваших собственных документах: расхождения такого рода либо подтверждаются, либо рассыпаются, и тихий релиз — самый дешёвый способ выяснить, что именно.

Часто задаваемые вопросы

Могу ли я сегодня сравнить PaddleOCR-VL и NVIDIA-Nemotron-Parse-2.0 на одном бенчмарке?

Содержательно — нет. Результат PaddleOCR-VL (96.33) — это композитный показатель OmniDocBench v1.6, общего публичного бенчмарка данной области, тогда как показатели Parse 2.0 — это ParseBench (собственный набор NVIDIA), MOSCAR, IndicVisionBench и подмножество рукописных документов OmniDocBench, причём все они заявлены самим вендором. Независимого прогона Parse 2.0 на композитном OmniDocBench не существует, как и прогона PaddleOCR-VL на ParseBench. Единственное пересечение — рукописные документы в OmniDocBench Notes, но и там модели приводят показатели разных типов. Пока третья сторона не прогонит Parse 2.0 на общем бенчмарке, сравнивать эти результаты — всё равно что сравнивать яблоки с апельсинами.

Какая модель лучше обрабатывает китайские и другие CJK-документы?

По состоянию на сегодняшний день — PaddleOCR-VL, и по доказательствам это даже не близко. Модель Baidu — нативная для CJK, удерживает публичный SOTA на бенчмарке, по которому ранжируются модели в этой области, и имеет документально подтверждённые сильные стороны в распознавании древних китайских документов, редких иероглифов и печатей. На карточке NVIDIA-Nemotron-Parse-2.0 заявлены большие улучшения для CJK и индийских письменностей по сравнению с v1.2, но эти цифры предоставлены вендором и не проверялись независимо. Это заявление стоит проверить, если вы работаете с этими письменностями; пока это не результат, на который можно полагаться.

Обе модели бесплатны в использовании, и как их запустить?

Обе являются свободными весами с разрешенным коммерческим использованием — {{1}}PaddleOCR-VL под Apache 2.0, Parse 2.0 под NVIDIA Open Model License{{/1}} — но ни одна из них не является размещенным API на платформе маршрутизации, а у Parse 2.0 вообще нет размещенного варианта. {{2}}PaddleOCR-VL работает нативно в vLLM, в официальном Docker-развертывании Baidu,{{/2}} а также через веб-сайт PaddleOCR и облачное API Baidu. Parse 2.0 необходимо размещать самостоятельно со {{3}}сборкой vLLM, поддерживающей удаленный код Nemotron Parse,{{/3}} плюс патч для связанной выходной головки и исправление токенизатора. Этап парсинга в любом случае ложится на вас; то, что добавляет слой маршрутизации, — это этап LLM после него, где вы хотите иметь свободу менять модели, не перепроектируя пайплайн.