NVIDIA-Nemotron-Parse-2.0 เทียบกับ PaddleOCR-VL: ผู้ท้าชิงที่เงียบสงบ ปะทะ SOTA ที่ได้รับการพิสูจน์แล้ว

การแยกวิเคราะห์เอกสารกำลังอยู่ท่ามกลางการแข่งขัน SOTA แบบ open-weight และคู่แข่งสองรายนี้ไม่ได้ลงแข่งในสนามเดียวกัน PaddleOCR-VL ตัวแยกวิเคราะห์ขนาด 0.9B จากทีม PaddlePaddle ของ Baidu ครองอันดับสูงสุดบน OmniDocBench v1.6 ด้วยคะแนนรวม 96.33 ปล่อยเวอร์ชันออกมาสามครั้งในสิบเดือน และมีระบบนิเวศ OCR ที่ใหญ่ที่สุดรายล้อมอยู่ ส่วน NVIDIA-Nemotron-Parse-2.0 คู่แข่งอีกราย ปรากฏตัวบน Hugging Face เมื่อวันที่ 3 สิงหาคม 2026 โดยไม่มีการประกาศ ไม่มีเอนด์พอยต์ที่โฮสต์ไว้ และมีโมเดลการ์ดที่ตัวเลขยังไม่มีใครนอก NVIDIA ยืนยันได้ ข้อเท็จจริงสองข้อนี้ทำให้กลายเป็นคำถามเรื่องผู้มาก่อน: คุณจะเดิมพันตัวแยกวิเคราะห์แบบ open-weight ตัวไหนในขั้นตอนการแยกวิเคราะห์ของไปป์ไลน์ของคุณ — ตัวที่มีสถิติบนลีดเดอร์บอร์ดสาธารณะ หรือตัวที่เปิดตัวเงียบๆ พร้อมอ้างว่าแก้ปัญหาภาษาที่คนอื่นๆ ต่างประสบปัญหา

สองวิธีในการสร้างตัวแยกวิเคราะห์หน้าเพจ

โมเดลทั้งสองมีพารามิเตอร์ราว 0.9B เท่ากัน ทั้งคู่เป็นแบบ open-weight และทั้งคู่ถูกสร้างมาเพื่อให้โฮสต์เองได้ แต่ความเหมือนก็จบลงเพียงเท่านั้น เพราะทั้งสองตั้งอยู่บนปรัชญาสถาปัตยกรรมที่ตรงข้ามกันโดยสิ้นเชิง

PaddleOCR-VL เป็นไปป์ไลน์สองขั้นตอน โมเดลเลย์เอาต์ PP-DocLayoutV3 จะตรวจจับทุกองค์ประกอบบนหน้าก่อน จัดหมวดหมู่ และทำนายลำดับการอ่าน จากนั้นโมเดลวิทัศน์-ภาษา PaddleOCR-VL — ซึ่งประกอบด้วยตัวเข้ารหัสวิทัศน์ความละเอียดไดนามิกแบบ NaViT จับคู่กับโมเดลภาษา ERNIE-4.5-0.3B ที่มีน้ำหนักเบาของ Baidu — จะจดจำแต่ละภูมิภาค: ข้อความ ตาราง สูตร และแผนภูมิ ข้อโต้แย้งของ Baidu สำหรับการแบ่งแยกนี้คือ การแยกเลย์เอาต์ออกจากการจดจำช่วยหลีกเลี่ยงโหมดความล้มเหลวแบบหลอนและองค์ประกอบไม่ตรงแนว ซึ่งโมเดลแบบ end-to-end แสดงบนหน้าที่ซับซ้อนหลายคอลัมน์

NVIDIA-Nemotron-Parse-2.0 คือการเดิมพันที่ตรงกันข้าม: โมเดลแบบ end-to-end เพียงตัวเดียว ตัวเข้ารหัสภาพ ViT-H ที่สร้างบนแบ็คโบน C-RADIOv2 ของ NVIDIA ป้อนข้อมูลให้ตัวถอดรหัสแบบ mBART จำนวนสิบชั้น และทั้งหมดนี้จะแปลงภาพหน้าหนังสือโดยตรงเป็นข้อความตามลำดับการอ่าน bounding boxes คลาสความหมาย และ markdown ในครั้งเดียว ไม่มีขั้นตอน layout แยกต่างหากที่ต้องติดตั้ง ปรับแต่ง หรือกำหนดเวอร์ชัน

เอกสารข้อมูลจำเพาะระบุไว้ดังนี้:

• สถาปัตยกรรม — PaddleOCR-VL: การตรวจจับเลย์เอาต์ (PP-DocLayoutV3) ร่วมกับ VLM สำหรับการรู้จำขนาด 0.9B (ตัวเข้ารหัส NaViT + ERNIE-4.5-0.3B) ส่วน NVIDIA-Nemotron-Parse-2.0: ตัวเข้ารหัส-ถอดรหัสเชิงภาพขนาด 0.9B หนึ่งตัว (ViT-H C-RADIOv2 + ตัวถอดรหัสแบบ mBART)

• สัญญาผลลัพธ์ — ทั้งสองระบบส่งคืนข้อความตามลำดับการอ่าน, bounding box และ semantic class ต่อภูมิภาค รวมถึง markdown สำหรับ PaddleOCR-VL แล้ว เพิ่ม prompts เฉพาะงานสำหรับการรู้จำข้อความ, ตาราง, สูตร, แผนภูมิ, การตรวจจับ (spotting) และตราประทับ; ส่วน Parse 2.0 ส่งออกตารางเป็น LaTeX, HTML, markdown, JSON หรือ CSV และในเวอร์ชัน 2.0 ได้เพิ่ม semantic class เฉพาะสำหรับแผนภูมิ

• บริบท — PaddleOCR-VL 1.6 รองรับบริบทได้สูงสุด 131,072 โทเคน; เอกสารการ์ดของ Parse 2.0 รองรับอินพุตสูงสุด 2048×1664 และมีเพดานเอาต์พุต 9,000 โทเคน

• สัญญาอนุญาต — PaddleOCR-VL ใช้ Apache 2.0; Parse 2.0 อยู่ภายใต้ NVIDIA Open Model License โดย tokenizer อยู่ภายใต้ CC-BY-4.0 ทั้งสองอนุญาตให้ใช้ในเชิงพาณิชย์ได้

ปัญหาเกณฑ์มาตรฐาน: 96.33% เทียบกับตัวเลขที่ไม่มีใครตรวจสอบได้

นี่คือส่วนที่การจับคู่หยุดเป็นการเปรียบเทียบและกลายเป็นคำถามเรื่องแหล่งที่มา

PaddleOCR-VL เวอร์ชันปัจจุบันคือ PaddleOCR-VL 1.6 ลงวันที่ 28 พฤษภาคม 2026 ทำคะแนนได้ 96.33% บน OmniDocBench v1.6 ซึ่งเป็นการรวมกันของการรู้จำข้อความ สูตร และตาราง พร้อมการทำนายลำดับการอ่าน และ {{1}}93.19%{{/1}} บน Real5-OmniDocBench ซึ่งเป็นตัวแปรทดสอบความทนทานสำหรับหน้าที่บิดเบี้ยว เอียง และถูกถ่ายจากหน้าจอ โดย Baidu ระบุว่านำ Gemini-3-Pro อยู่เกือบ 4 จุด ตัวเลขเหล่านี้เป็นตัวเลขของ Baidu เอง แต่ก็ถูกนำมารายงานบนเกณฑ์มาตรฐานสาธารณะร่วมของวงการ ซึ่งเป็นเหตุผลที่สามารถนำมาจัดอันดับเทียบกับ MinerU 2.5-Pro, GLM-OCR และส่วนที่เหลือในตารางอันดับได้

NVIDIA-Nemotron-Parse-2.0 รายงานชุดตัวเลขที่แตกต่างกันบนชุดทดสอบที่แตกต่างกัน ParseBench โดยรวม 0.6391 เพิ่มขึ้นจาก 0.5782 ใน v1.2; MOSCAR มัลติลิงกวล F1 0.9102 เพิ่มขึ้นจาก 0.4410; IndicVisionBench ANLS 0.7203 เพิ่มขึ้นจาก 0.0612; และ OmniDocBench Notes ระยะห่างการแก้ไขลายมือลดลงเหลือ 0.3395 จาก 0.9739 ทุกค่าเหล่านี้เป็นของ NVIDIA เอง พิมพ์อยู่บนโมเดลการ์ด และไม่มีค่าใดที่ถูกทำซ้ำอย่างเป็นอิสระ ParseBench เป็นชุดทดสอบของ NVIDIA; MOSCAR และ IndicVisionBench เป็นชุดเฉพาะทาง ไม่มีการเผยแพร่ผลรัน Parse 2.0 บนคอมโพสิต OmniDocBench ที่ PaddleOCR-VL ทำได้ดีที่สุด และไม่มีการรัน PaddleOCR-VL บน ParseBench

ดังนั้นคำตอบที่ตรงไปตรงมาสำหรับคำถามที่ว่า "ใครได้คะแนนสูงกว่ากัน" ก็คือยังไม่มีใครรู้ และใครก็ตามที่อ้างเป็นอย่างอื่นกำลังเปรียบเทียบกับมาตรวัดที่ต่างกัน จุดทับซ้อนเพียงจุดเดียวคือการเขียนลายมือบน OmniDocBench Notes ซึ่งการ์ดของ Parse 2.0 อ้างว่ามีการปรับปรุง edit-distance อย่างมีนัยสำคัญเมื่อเทียบกับรุ่นก่อนหน้าของตัวเอง — แต่นั่นเป็นตัวเลขระดับงาน ไม่ใช่คะแนนรวมที่ PaddleOCR-VL รายงาน ความไม่สมมาตรที่สำคัญจริง ๆ คือเชิงโครงสร้าง: คะแนน 96.33 ของ PaddleOCR-VL เป็นตำแหน่งบนลีดเดอร์บอร์ดที่ใครก็สามารถดูได้ ในขณะที่คำกล่าวอ้างของ Parse 2.0 มาจากรีโพที่มีอายุเพียงห้าวันและไม่มีการตรวจสอบจากบุคคลที่สามเลย

ภาษา: ความครอบคลุมเทียบกับความต่างที่อ้างไว้

ทั้งสองโมเดลเริ่มต้นการนำเสนอด้วยภาษา และทั้งคู่มีเรื่องราว — แต่เรื่องราวมีรูปแบบที่แตกต่างกัน

เรื่องราวความหลากหลายทางภาษาของ PaddleOCR-VL คือความครอบคลุมที่วางจำหน่ายแล้ว: 109 ภาษา โดยมีความลึกซึ้งเป็นพิเศษในจุดที่ OCR แบบหลายภาษาทำได้ยากที่สุด — เอกสารจีนโบราณ อักษรจีนที่หายาก การรู้จำตราประทับและตรายาง ข้อความแนวตั้ง และการระบุตำแหน่งกล่องที่ไม่สม่ำเสมอสำหรับหน้าที่เอียงหรือพับ ทำให้มันเป็นตัวแยกวิเคราะห์ที่โลกของระบบไปป์ไลน์เอกสารจีนเลือกใช้ด้วยเหตุผลนั้นพอดี

เรื่องราวของ NVIDIA-Nemotron-Parse-2.0 คือค่าความเปลี่ยนแปลงที่อ้างสิทธิ์ คำศัพท์เพิ่มขึ้นจาก 52,329 เป็น 72,256 โทเค็น และการ์ดระบุว่าการเติบโตนี้มาจาก OCR แบบหลายภาษา โดยมีกำไรที่ใหญ่ที่สุดที่อ้างบนสคริปต์ CJK และ Indic การกระโดดของ MOSCAR จาก 0.44 เป็น 0.91 และ IndicVisionBench จาก 0.06 เป็น 0.72 เป็นการอ้างว่าสคริปต์ที่เคยล้มเหลวตอนนี้สามารถแยกวิเคราะห์ได้อย่างยอมรับได้ — ครอบคลุมภาษาเบงกาลี ฮินดี เตลูกู ทมิฬ และภาษาอินดิคอีกหกภาษา ตามการ์ด

สิ่งใดสำคัญนั้นขึ้นอยู่กับสิ่งที่คุณแยกวิเคราะห์ หากคลังข้อมูลของคุณเป็นภาษาจีนหรือภาษาในกลุ่ม CJK โดยรวม PaddleOCR-VL คือตัวเลือกที่ได้รับการพิสูจน์แล้วและมีผลงานบนลีดเดอร์บอร์ดรองรับ และคำถามที่แท้จริงเพียงอย่างเดียวคือคุณต้องการไปป์ไลน์เต็มรูปแบบหรือเพียงแค่ตัวโมเดล หากคลังข้อมูลของคุณเน้นไปทางอินดิก — ภาษาเบงกาลี ฮินดี คุชราต กันนาดา และภาษาข้างเคียง — เดลต้าที่อ้างไว้ของ Parse 2.0 คือตัวเลขที่น่าสนใจที่สุดเพียงหนึ่งเดียวบนการ์ดของมัน และมันเป็นข้ออ้างประเภทที่อาจทำซ้ำได้กับข้อมูลของคุณหรือพังทลายลง ไม่มีใครเคยรัน Parse 2.0 บนเบนช์มาร์กอินดิกสาธารณะเลย

ช่องว่างของวุฒิภาวะคือราคาที่แท้จริง

ทั้งสองโมเดลไม่มีค่าใช้จ่ายต่อหน้า — ทั้งคู่เป็นน้ำหนักโมเดลฟรีที่คุณเสิร์ฟด้วยตัวเอง — ดังนั้นราคาที่สำคัญคือต้นทุนการดำเนินงาน และช่องว่างตรงนั้นกว้างมาก

PaddleOCR-VL เป็นแพลตฟอร์มที่เสถียรแล้ว การรองรับ vLLM แบบเนทีฟอยู่ในตัวเฟรมเวิร์กเอง (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 ขึ้นไป); Baidu มีการปรับใช้ประสิทธิภาพสูงอย่างเป็นทางการพร้อมเกตเวย์ FastAPI, ใช้ Triton สำหรับขั้นตอน layout และใช้ vLLM สำหรับ VLM; มีควอนไทเซชัน GGUF จากชุมชน; PaddleOCR-VL 1.5 เพิ่มการรองรับ AMD ROCm ตั้งแต่วันแรก; และโมเดลนี้ถูกเชื่อมต่อเข้ากับเครื่องมือที่ผู้คนส่วนใหญ่ใช้อยู่แล้ว — RAGFlow, MinerU, Umi-OCR และ OmniParser ล้วนผสานรวมโมเดลนี้ การย้ายจาก 1.5 ไป 1.6 ไม่มีค่าใช้จ่ายใด ๆ เพราะสถาปัตยกรรมไม่มีการเปลี่ยนแปลง

NVIDIA-Nemotron-Parse-2.0 เพิ่งเปิดตัวได้ห้าวัน และเห็นได้ชัด การจะ serve โมเดลนี้ ต้องมี vLLM build ที่รองรับ remote-code ของ Nemotron Parse ใช้แบ็กเอนด์ attention แบบ Triton บนฮาร์ดแวร์คลาส A100/A10 และ dependencies เพิ่มเติมอีกสี่ตัว (albumentations, timm, open_clip_torch, einops) โมเดลนี้ยังคงผูก output head ไว้กับ decoder embeddings ซึ่ง vLLM build บางตัวจัดการไม่ถูกต้อง เว้นแต่คุณจะเพิ่ม runtime patch ที่ NVIDIA แถมมาให้ และ tokenizer.json ที่แถมมานั้นมีการฝัง padding ถึง 9,000 โทเคน — ผู้ดูแล Dynamo คนหนึ่งพบเคสจริงในต้นเดือนสิงหาคม ที่พรอมป์สั้น ๆ กลายเป็น token ID หลายหมื่นตัว ไม่มีสิ่งใดถึงขั้นร้ายแรง; ทั้งหมดนี้คือเวลาทางวิศวกรรมที่แพลตฟอร์มที่เสถียรแล้วไม่ต้องเสียไป และยังไม่มี hosted endpoint และไม่มีแพ็กเกจ NIM ที่ระบุไว้สำหรับ 2.0 ดังนั้นการโฮสต์ด้วยตัวเองจึงเป็นทางเลือกเดียว

ความเร็ว: ทั้งคู่เร็ว อันหนึ่งอ้างว่า

สำหรับตัวแยกวิเคราะห์หน้า ทรูพุตคือตัวเลขที่เปลี่ยนเป็นเงินได้ ตัวเลขหลักของ PaddleOCR-VL อยู่ที่ประมาณ 1,881 โทเคนต่อวินาทีบน A100 ตัวเดียว ซึ่งอ้างไว้ตอนเปิดตัว v1.0 และยังคงเป็นข้อมูลที่รายงานโดยผู้ผลิต — เร็วพอที่โมเดล 0.9B จะถูกใช้งานเป็นประจำสำหรับ OCR ปริมาณมาก NVIDIA-Nemotron-Parse-2.0 เป็นโมเดล end-to-end ขนาด 0.9B จึงเร็วโดยโครงสร้างอยู่แล้ว และระบบนิเวศก็กำลังผลักดันไปอีกขั้น: pull request ของ vLLM ที่อยู่ระหว่างการตรวจสอบ ณ วันที่ 5 สิงหาคม เปิดใช้ speculative decoding ด้วย auxiliary prediction head ที่ NVIDIA แถมมาพร้อมกับน้ำหนักโมเดล รายงานอัตราขยายของ median output-throughput ที่ 45.65% สำหรับ concurrency 1, 40.85% สำหรับ concurrency 8 และ 39.60% สำหรับ concurrency 32 บน H100 เหนือชุด ParseBench จำนวน 1,005 หน้า PR ดังกล่าวยังไม่ถูกรวมเข้ากับ main branch และยังไม่มีการทดสอบซ้ำ — ควรถือว่าเปอร์เซ็นต์เหล่านี้น่าสนใจในเชิงทิศทางเท่านั้น ไม่ใช่ benchmark ที่นำไปอ้างอิงได้

ใครควรเลือกอันไหน

• เลือก PaddleOCR-VL หากคุณต้องการขั้นตอนการแยกข้อมูลที่ใช้งานได้ในไตรมาสนี้: เอกสารภาษาจีนหรือหลายภาษากลุ่ม CJK, การแยกตารางและสูตรในระดับ SOTA, การปรับใช้กับ vLLM หรือ Docker, และบันทึกบนลีดเดอร์บอร์ดที่คุณสามารถอ้างอิงในที่ประชุมได้ เป็นตัวเลือกการผลิตที่มีความเสี่ยงต่ำ และเป็นคำตอบสำหรับทุกคนที่คลังเอกสารส่วนใหญ่เป็นกลุ่มภาษา CJK

• เลือก NVIDIA-Nemotron-Parse-2.0 หากคุณโฮสต์ตระกูล Nemotron Parse ด้วยตัวเองอยู่แล้ว — 2.0 เป็นอัปเกรดแบบดรอปอินที่มีรูปแบบ API เดียวกัน — หากคลังข้อมูลของคุณมีอักษรอินดิกหรือลายมือจำนวนมาก และคุณต้องการทดสอบว่าค่าเดลต้าของการ์ดจะทำซ้ำได้หรือไม่ หรือคลาสความหมายแผนภูมิเฉพาะนั้นคุ้มค่ากับเวลาทางวิศวกรรมจริง เตรียมงบประมาณสำหรับความไม่สะดวกของผู้ใช้งานช่วงแรก และอย่าเดิมพันเส้นทางการผลิตกับมันก่อนการประเมินของคุณเอง

• เลือกทางสายกลางถ้าไปป์ไลน์ของคุณเป็น 'parser แล้ว LLM' จริงๆ — ซึ่งส่วนใหญ่ก็เป็นแบบนั้น Parser เป็นเพียงขั้นตอนหนึ่ง; โมเดลที่สรุป markdown, แยกฟิลด์, หรือตอบคำถามเชิงค้นคืนเป็นอีกขั้นตอนหนึ่ง และขั้นตอนที่สองนี่แหละที่แพลตฟอร์มการจัดเส้นทาง (routing platform) แสดงคุณค่า ทั้ง parser ในงานเปรียบเทียบนี้ไม่ได้อยู่บน OrcaRouter — ทั้งคู่เป็นโมเดล open weights ที่โฮสต์เอง — แต่เลเยอร์ที่อยู่รอบๆ พวกมันคือสิ่งที่ OrcaRouter มีไว้สำหรับ: โมเดลกว่า 200 ตัวเบื้องหลัง API เดียวในราคารายการของผู้ให้บริการ, มาร์กอัป 0% ดังนั้นการลดราคาจากผู้ขายจึงมีผลทันทีในวันที่ประกาศ, และมีการเฟลโอเวอร์อัตโนมัติหากผู้ให้บริการรายใดมีประสิทธิภาพลดลง เวอร์ชันที่ใช้งานได้จริงของคำแนะนำนั้น: ถ้าคุณจะวางเดิมพันไปป์ไลน์กับ parser ที่ยังไม่ผ่านการพิสูจน์ จงทำให้ทุกอย่างรอบๆ มันเปลี่ยนแทนกันได้ เพื่อที่การเฟลโอเวอร์จาก Parse 2.0 ไปเป็น PaddleOCR-VL หรือ LLM ตัวอื่นจะเป็นการเปลี่ยนเส้นทาง (routing) แทนที่จะเป็นการเขียนใหม่

ประเด็นสำคัญ

การเลือกที่นี่ไม่ใช่ระหว่างสองโมเดลจริงๆ — แต่เป็นระหว่างบันทึกสาธารณะกับข้อกล่าวอ้างส่วนตัว PaddleOCR-VL 1.6 คือ SOTA แบบ open-weight ที่พิสูจน์แล้ว: 96.33 บน OmniDocBench v1.6, 109 ภาษา, โครงสร้างการให้บริการที่มั่นคง และระบบนิเวศที่สร้างรอบมันไว้แล้ว NVIDIA-Nemotron-Parse-2.0 คือผู้ท้าชิงเงียบๆ: เพิ่งออกมาได้ห้าวัน ยังไม่ประกาศอย่างเป็นทางการ รองรับการโฮสต์เองเท่านั้น พร้อม model card ที่อ้างว่ามีการพัฒนาที่มากทั้งด้านหลายภาษาและการเขียนด้วยลายมือซึ่งยังไม่มีใครตรวจสอบ ค่า 96.33 และ 0.6391 เปรียบเทียบกันโดยตรงไม่ได้ และการแสร้งว่าเปรียบเทียบได้คือหนทางที่ทีมต่างๆ จะลงเอยด้วยการอ้างตัวเลขที่มีความหมายต่างกัน หากคุณจะเปิดตัววันนี้ ให้เลือก PaddleOCR-VL หากข้ออ้างเรื่องหลายภาษาคือสิ่งที่คอร์ปัสของคุณใช้ทดสอบ ผู้ท้าชิงเงียบๆ คือการประเมินราคาถูกในสุดสัปดาห์บนเอกสารของคุณเอง — ความแตกต่างนั้นเป็นแบบที่อาจยืนยันผลเดิมหรือพังทลายได้ และการปล่อยแบบเงียบๆ คือวิธีที่ถูกที่สุดในการค้นหาว่าเป็นแบบไหน

คำถามที่พบบ่อย

วันนี้ฉันสามารถเปรียบเทียบ PaddleOCR-VL และ NVIDIA-Nemotron-Parse-2.0 บน benchmark เดียวกันได้ไหม

ไม่ใช่การเปรียบเทียบที่มีความหมาย คะแนน 96.33 ของ PaddleOCR-VL เป็นค่า composite จาก OmniDocBench v1.6 ซึ่งเป็น benchmark สาธารณะร่วมกันของสาขานี้ ในขณะที่ตัวเลขของ Parse 2.0 มาจาก ParseBench (ชุดทดสอบของ NVIDIA เอง), MOSCAR, IndicVisionBench และ subset การเขียนด้วยลายมือของ OmniDocBench ซึ่งทั้งหมดเป็นตัวเลขที่ผู้จำหน่ายรายงานเอง ไม่มีการรัน Parse 2.0 อย่างอิสระบน composite ของ OmniDocBench และไม่มีการรัน PaddleOCR-VL บน ParseBench เช่นกัน จุดที่ทับซ้อนกันเพียงอย่างเดียวคือการเขียนด้วยลายมือบน OmniDocBench Notes และถึงกระนั้นทั้งสองโมเดลก็รายงานคะแนนคนละประเภทกัน จนกว่าบุคคลที่สามจะรัน Parse 2.0 บน benchmark กลางนี้ การเปรียบเทียบก็ยังเทียบกันไม่ได้

โมเดลใดจัดการเอกสารภาษาจีนและภาษา CJK อื่นๆ ได้ดีกว่า

ณ วันนี้ PaddleOCR-VL และมันก็ไม่ใกล้เคียงด้วยซ้ำในเรื่องหลักฐาน โมเดลของ Baidu เป็นโมเดลพื้นเมืองของ CJK ครองตำแหน่ง SOTA สาธารณะบนเกณฑ์มาตรฐานที่วงการนี้ใช้จัดอันดับ และมีความแข็งแกร่งที่ได้รับการบันทึกไว้ในเอกสารจีนโบราณ อักขระหายาก และการรู้จำตราประทับ การ์ดของ NVIDIA-Nemotron-Parse-2.0 อ้างว่ามีการปรับปรุงครั้งใหญ่สำหรับ CJK และ Indic เทียบกับ v1.2 แต่ตัวเลขเหล่านั้นเป็นข้อมูลที่ผู้จำหน่ายรายงาน และยังไม่ผ่านการทดสอบอย่างอิสระ ข้ออ้างนี้คุ้มค่าที่จะทดสอบหากคุณประมวลผลสคริปต์เหล่านั้น แต่มันยังไม่ใช่ผลลัพธ์ที่คุณสามารถพึ่งพาได้

ทั้งสองโมเดลใช้งานฟรีหรือไม่ และฉันจะเรียกใช้งานได้อย่างไร

ทั้งคู่เป็น free weights ที่อนุญาตให้ใช้เชิงพาณิชย์ได้ — PaddleOCR-VL ภายใต้ Apache 2.0, Parse 2.0 ภายใต้ NVIDIA Open Model License — แต่ทั้งคู่ไม่ใช่ hosted API บนแพลตฟอร์ม routing และ Parse 2.0 ไม่มีตัวเลือก hosted เลย PaddleOCR-VL ทำงานแบบเนทีฟใน vLLM ในการ deploy Docker อย่างเป็นทางการของ Baidu และผ่านเว็บไซต์ PaddleOCR และ cloud API ของ Baidu Parse 2.0 ต้องโฮสต์ด้วยตนเองโดยใช้ vLLM build ที่รองรับ remote code ของ Nemotron Parse รวมถึง tied-output-head patch และ tokenizer fix ขั้นตอนการแยกวิเคราะห์เป็นหน้าที่ของคุณไม่ว่าทางใด; สิ่งที่ routing layer เพิ่มเข้ามาคือขั้นตอน LLM หลังจากนั้น ซึ่งคุณต้องการอิสระในการสลับโมเดลโดยไม่ต้องปรับปรุง pipeline ใหม่