NVIDIA-Nemotron-Parse-2.0 mot PaddleOCR-VL: Den tysta utmanaren mot den beprövade SOTA

Dokumenttolkning befinner sig mitt i ett open-weight-kapplöpning mot SOTA-status, och de två tävlande spelar inte på samma plan. PaddleOCR-VL, 0,9B-tolken från Baidus PaddlePaddle-team, toppar OmniDocBench v1.6 med ett sammansatt resultat på 96,33, tre versioner på tio månader och det största ekosystemet inom OCR samlat omkring sig. NVIDIA-Nemotron-Parse-2.0, den andra tävlanden, dök upp på Hugging Face den 3 augusti 2026, utan tillkännagivande, utan värdbaserad slutpunkt, och med ett modellkort vars siffror ingen utanför NVIDIA har verifierat ännu. Den kombinationen av fakta gör detta till en fråga om etableringsfördel: vilken open-weight-tolk satsar du pipelinens tolkningssteg på – den med offentligt topplista-rekord, eller den som släpptes i det tysta och påstår sig ha löst de språk som alla andra kämpar med?

Två sätt att bygga en sidparser

Båda modellerna ligger på omkring 0,9 miljarder parametrar, båda har öppna vikter och båda är byggda för att vara självhostade. Det är där likheterna slutar, eftersom de två står på motsatta arkitektoniska filosofier.

PaddleOCR-VL är en tvåstegspipeline. En layoutmodell, PP-DocLayoutV3, identifierar först varje element på en sida, klassificerar det och förutsäger läsordningen. Först därefter känner PaddleOCR-VL:s visionspråkmodell — en NaViT-liknande vision-encoder med dynamisk upplösning i kombination med Baidus lätta språkmodell ERNIE-4.5-0.3B — igen varje region: texten, tabellerna, formlerna, diagrammen. Baidus argument för uppdelningen är att en separation av layout från igenkänning undviker de felmoder med hallucination och feljustering av element som end-to-end-modeller uppvisar på komplexa flerkolumnssidor.

NVIDIA-Nemotron-Parse-2.0 är den motsatta satsningen: en enda end-to-end-modell. En ViT-H-visionkodare byggd på NVIDIAs C-RADIOv2-stomme matar en tiolagers mBART-liknande avkodare, och hela paketet mappar en sidbild direkt till läsordningstext, begränsningsrutor, semantiska klasser och markdown i ett enda steg. Det finns inget separat layoutsteg att installera, justera eller versionshantera.

Specifikationsbladet anger följande:

• Arkitektur — PaddleOCR-VL: layoutdetektering (PP-DocLayoutV3) plus en 0.9B-igenkännings-VLM (NaViT-encoder + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: en 0.9B-vision-encoder-avkodare (ViT-H C-RADIOv2 + mBART-liknande avkodare).

• Utdatakontrakt — båda returnerar text i läsordning, en begränsningsram och semantisk klass per region, samt markdown. {{1}}PaddleOCR-VL lägger till uppgiftsspecifika promptar för text-, tabell-, formel-, diagram-, spotting- och stämpeligenkänning; Parse 2.0 genererar tabeller som LaTeX, HTML, markdown, JSON eller CSV{{/1}} och fick i 2.0 en dedikerad semantisk klass för diagram.

• Kontext — PaddleOCR-VL 1.6 stöder en kontext på upp till 131 072 token; Parse 2.0:s kortdokument har indata upp till 2048×1664 och ett utdatatak på 9 000 token.

• Licens — PaddleOCR-VL är Apache 2.0; Parse 2.0 omfattas av NVIDIA Open Model License med tokenizern under CC-BY-4.0. Båda tillåter kommersiell användning.

Benchmark-problemet: 96,33 % mot ett tal som ingen kan kontrollera

Det här är delen där matchen slutar vara en jämförelse och blir en sourcingfråga.

Den nuvarande utgåvan av PaddleOCR-VL, PaddleOCR-VL 1.6, daterad 28 maj 2026, rapporterar 96,33 % på OmniDocBench v1.6 – en sammansättning av text-, formel- och tabelligenkänning plus förutsägelse av läsordning – och 93,19 % på Real5-OmniDocBench, en robusthetsvariant för förvridna, snedställda och skärmfotograferade sidor, där Baidu uppger att den leder över Gemini-3-Pro med nästan fyra procentenheter. Det är Baidus egna siffror, men de rapporteras på fältets gemensamma offentliga benchmark, vilket är anledningen till att de kan rankas mot MinerU 2.5-Pro, GLM-OCR och resten av topplistan.

NVIDIA-Nemotron-Parse-2.0 rapporterar en annan uppsättning siffror på en annan testsvit. ParseBench totalt 0.6391, upp från 0.5782 på v1.2; MOSCAR flerspråkig F1 0.9102, upp från 0.4410; IndicVisionBench ANLS 0.7203, upp från 0.0612; och OmniDocBench Notes redigeringsavståndet för handskrift ned till 0.3395 från 0.9739. Vart och ett av dessa är NVIDIA:s egna, tryckta på modellkortet, och inget har oberoende reproducerats. ParseBench är NVIDIA:s testsvit; MOSCAR och IndicVisionBench är specialiserade uppsättningar. Det finns ingen publicerad körning av Parse 2.0 på den OmniDocBench-sammansättning som PaddleOCR-VL toppar, och ingen körning av PaddleOCR-VL på ParseBench.

Så det ärliga svaret på "vem som får högre poäng" är att ingen vet ännu, och den som påstår något annat jämför olika måttstockar. Den enda överlappningspunkten är handskrift på OmniDocBench Notes, där Parse 2.0:s kort hävdar en stor förbättring i redigeringsavstånd jämfört med sin egen föregångare — men det är en siffra på uppgiftsnivå, inte den sammansatta poängen som PaddleOCR-VL rapporterar. Den asymmetri som faktiskt betyder något är strukturell: PaddleOCR-VL:s 96,33 är en topplisteposition som vem som helst kan slå upp, medan Parse 2.0:s påståenden är ett fem dagar gammalt repo utan några tredjepartskontroller.

Språk: täckning kontra påstådda deltan

Båda modellerna inleder sin pitch med språk, och båda har en historia — men historierna har olika former.

PaddleOCR-VL:s flerspråkiga historia är {{1}}täckning som redan levereras: 109 språk, med särskilt djup där flerspråkig OCR är svårast — kinesiska antika dokument, ovanliga kinesiska tecken, sigill- och stämpeligenkänning, vertikal text och lokalisering av oregelbundna boxar för lutande eller vikta sidor.{{/1}} {{2}}Det är den parser som den kinesiska dokumentpipelinevärlden antog just av den anledningen.{{/2}}

NVIDIA-Nemotron-Parse-2.0:s historia är ett påstått delta. Vokabulären växer från 52 329 till 72 256 tokens, och modellkortet tillskriver tillväxten flerspråkig OCR, med de största vinsterna påstås vara på CJK- och indiska skrifter. MOSCAR-hoppet från 0,44 till 0,91 och IndicVisionBench från 0,06 till 0,72 är påståenden om att skrifterna som tidigare misslyckades nu tolkas acceptabelt – för bengali, hindi, telugu, tamil och sex ytterligare indiska språk, enligt modellkortet.

Vilken som spelar roll beror på vad du parsar. Om din korpus är kinesiskspråkig eller i bredare bemärkelse CJK, är PaddleOCR-VL det beprövade valet med stöd i topplistorna, och den enda verkliga frågan är om du behöver hela pipelinen eller bara modellen. Om din korpus lutar åt indiska språk — bengali, hindi, gujarati, kannada och deras grannspråk — är Parse 2.0:s påstådda delta den enskilt mest intressanta siffran på dess specifikation, och det är exakt den typen av påstående som antingen replikeras på din data eller kollapsar. Ännu har ingen kört Parse 2.0 på ett offentligt benchmark för indiska språk.

Mognadsgapet är det verkliga priset.

Ingen av modellerna kostar något per sida — båda är gratis vikter som du själv serverar — så det pris som räknas är det operativa, och där är gapet stort.

PaddleOCR-VL är en etablerad plattform. Inbyggt vLLM-stöd finns i själva ramverket (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 eller senare); Baidu levererar en officiell högpresterande driftsättning med en FastAPI-gateway, Triton för layout-steget och vLLM för VLM:n; det finns community-GGUF-kvantiseringar; PaddleOCR-VL 1.5 lade till AMD ROCm-stöd från dag ett; och modellen är integrerad i de verktyg som de flesta redan kör – RAGFlow, MinerU, Umi-OCR och OmniParser – alla integrerar den. Att gå från 1.5 till 1.6 är kostnadsfritt eftersom arkitekturen är oförändrad.

NVIDIA-Nemotron-Parse-2.0 är fem dagar gammal och det syns. Att servera den innebär ett vLLM-bygge med stöd för Nemotron Parse fjärrkod, Triton attention-backend på maskinvara av A100/A10-klass, och fyra extra beroenden (albumentations, timm, open_clip_torch, einops). Modellens output-head förblir bunden till decoder-embeddingarna, vilket vissa vLLM-byggen hanterar felaktigt om du inte lägger till NVIDIAs medföljande runtime-patch. Och den medföljande tokenizer.json har padding inbakat till 9 000 tokens – en Dynamo-underhållare stötte på ett verkligt fall i början av augusti där en kort prompt svällde till tiotusentals token-ID:n. Inget av detta är ödesdigert; allt är ingenjörstid som en etablerad plattform aldrig efterfrågar. Det finns inte heller någon värdbaserad slutpunkt och ingen NIM-förpackning listad för 2.0, så självhostning är det enda alternativet.

Hastighet: båda snabba, en hävdade

För en sidparser är genomströmning det tal som blir pengar. PaddleOCR-VL:s rubriksiffra är ungefär 1 881 tokens per sekund på en enda A100, vilket angavs vid lanseringen av v1.0 och fortfarande rapporteras av leverantören – tillräckligt snabbt för att 0,9B-modellen rutinmässigt används för högvolym-OCR. NVIDIA-Nemotron-Parse-2.0 är en 0,9B end-to-end-modell, så den är snabb genom sin konstruktion, och ekosystemet driver redan utvecklingen vidare: en vLLM-pull request som var under granskning från och med den 5 augusti möjliggör spekulativ avkodning med hjälp av det extra prediktionshuvud som NVIDIA levererar tillsammans med vikterna, och rapporterar medianökningar i utdatagenomströmning på 45,65 % vid concurrency 1, 40,85 % vid concurrency 8 och 39,60 % vid concurrency 32 på en H100 över ParseBench:s 1 005 sidor. Den PR:n är varken sammanfogad eller reproducerad – betrakta procentsatserna som riktningsmässigt intressanta, inte som ett riktmärke du kan citera.

Vem ska välja vilken

• Välj PaddleOCR-VL om du behöver ett parsningssteg som fungerar det här kvartalet: kinesiska eller flerspråkiga CJK-dokument, tabell- och formelextraktion på SOTA-nivå, vLLM- eller Docker-driftsättning och en leaderboard-post du kan peka på i ett möte. Det är det lågriskiga produktionsvalet och svaret för alla vars korpus till största delen är CJK.

• Välj NVIDIA-Nemotron-Parse-2.0 om du redan själv hostar Nemotron Parse-familjen — 2.0 är en drop-in-uppgradering med samma API-form — om din korpus är tung på indiska skrifter eller handskrift och du vill testa om kortets deltas reproduceras, eller om en dedikerad semantisk klass för diagram är värd verklig ingenjörstid. Budgetera för friktion bland tidiga användare och satsa inte en produktionsväg på det innan din egen utvärdering.

• Ta medelvägen om din pipeline verkligen är "parser, sedan LLM" — vilket de flesta är. Parsern är ett steg; modellen som sammanfattar markdown, extraherar fält eller svarar på sökfrågor är ett separat steg, och det är i det andra steget som en routingplattform gör skäl för sig. Ingen av parserna i denna jämförelse ligger på OrcaRouter — båda är självhostade öppna viktmodeller — men lagret runt dem är precis vad OrcaRouter är till för: 200+ modeller bakom ett API till leverantörens listpris, 0% påslag så att en prissänkning från leverantören är aktiv samma dag som den tillkännages, och automatisk failover om en leverantör försämras. Den praktiska versionen av det rådet: om du tänker satsa en pipeline på en oprövad parser, håll allt runtomkring utbytbart, så att en övergång från Parse 2.0 till PaddleOCR-VL eller till en annan LLM är en routingändring snarare än en omskrivning.

Slutsatsen

Valet här handlar egentligen inte om två modeller — det handlar om en offentlig dokumentation och ett privat påstående. PaddleOCR-VL 1.6 är den beprövade open-weight SOTA-modellen: 96.33 på OmniDocBench v1.6, 109 språk, en etablerad serveringsstack och det ekosystem som redan byggts runt den. NVIDIA-Nemotron-Parse-2.0 är den tysta utmanaren: fem dagar gammal, oannonserad, endast självhostad, med ett modellkort som gör anspråk på mycket stora flerspråkiga och handskriftsrelaterade vinster som ingen har verifierat. 96.33 och 0.6391 kan inte jämföras direkt, och att låtsas annat är hur team hamnar i att citera siffror som betyder olika saker. Om du levererar idag, leverera med PaddleOCR-VL. Om det flerspråkiga påståendet är det som din korpus testar, är den tysta utmanaren en billig helgutvärdering på dina egna dokument — skillnaderna är av det slag som antingen replikeras eller kollapsar, och en tyst release är det billigaste sättet att ta reda på vilket.

Vanliga frågor

Kan jag jämföra PaddleOCR-VL och NVIDIA-Nemotron-Parse-2.0 på ett enda riktmärke idag?

Inte på något meningsfullt sätt. PaddleOCR-VL:s 96,33 är ett sammansatt resultat från OmniDocBench v1.6 — fältets gemensamma offentliga riktmärke — medan Parse 2.0:s siffror kommer från ParseBench (NVIDIAs egen testsvit), MOSCAR, IndicVisionBench och en handskriftsdelmängd av OmniDocBench, alla leverantörsrapporterade. Det finns ingen oberoende körning av Parse 2.0 på OmniDocBench-sammansättningen och ingen körning av PaddleOCR-VL på ParseBench. Det enda överlappet är handskrift på OmniDocBench Notes, och även där rapporterar de två modellerna olika typer av poäng. Tills en tredje part kör Parse 2.0 på det gemensamma riktmärket är jämförelsen äpplen och päron.

Vilken modell hanterar kinesiska och andra CJK-dokument bättre?

I dagsläget är det PaddleOCR-VL, och det är inte ens nära sett till bevisen. Baidus modell är CJK-nativ, innehar den offentliga SOTA:n på det benchmark som fältet rankar efter, och har dokumenterad styrka i antika kinesiska dokument, sällsynta tecken och sigilligenkänning. Modellkortet för NVIDIA-Nemotron-Parse-2.0 gör anspråk på stora CJK- och Indic-förbättringar jämfört med v1.2, men dessa siffror är leverantörsrapporterade och har inte testats oberoende. Påståendet är värt att testa om du parsar dessa skriftsystem; det är ännu inte ett resultat du kan lita på.

Är båda modellerna gratis att använda, och hur kör jag dem?

Båda är fria vikter med tillåten kommersiell användning — PaddleOCR-VL under Apache 2.0, Parse 2.0 under NVIDIA Open Model License — men ingen av dem är ett värdbaserat API på en routingplattform, och Parse 2.0 har inget värdbaserat alternativ alls. PaddleOCR-VL körs nativt i vLLM, i Baidus officiella Docker-distribution, och via PaddleOCR-webbplatsen och Baidus moln-API. Parse 2.0 måste vara självhostad med ett vLLM-bygge som stöder Nemotron Parse fjärrkod, plus tied-output-head-patch och en tokenizer-fix. Parsningssteget är upp till dig oavsett; vad ett routinglager tillför är LLM-steget efter det, där du vill ha friheten att byta modeller utan att omkonstruera pipelinen.