NVIDIA-Nemotron-Parse-2.0 so với PaddleOCR-VL: Kẻ thách thức thầm lặng đối đầu với SOTA đã được chứng minh

Phân tích tài liệu đang trong cuộc đua SOTA mã nguồn mở, và hai ứng viên không thi đấu trên cùng một sân chơi. PaddleOCR-VL, trình phân tích 0.9B từ đội PaddlePaddle của Baidu, đang dẫn đầu OmniDocBench v1.6 với điểm tổng hợp 96.33, ba bản phát hành trong mười tháng, và hệ sinh thái OCR lớn nhất quy tụ quanh nó. NVIDIA-Nemotron-Parse-2.0, ứng viên còn lại, xuất hiện trên Hugging Face vào ngày 3 tháng 8 năm 2026, không có thông báo, không có endpoint lưu trữ, và một thẻ mô hình với những con số chưa ai ngoài NVIDIA xác minh. Cặp sự thật đó biến vấn đề này thành câu hỏi về người đương nhiệm: bạn sẽ đặt cược giai đoạn phân tích của pipeline vào trình phân tích mã nguồn mở nào — kẻ có thành tích công khai trên bảng xếp hạng, hay kẻ âm thầm ra mắt với tuyên bố đã khắc phục được các ngôn ngữ mà mọi người khác đang vật lộn?

Hai cách xây dựng bộ phân tích trang

Cả hai mô hình đều có khoảng 0,9 tỷ tham số, đều có trọng số mở và đều được thiết kế để tự lưu trữ. Điểm tương đồng dừng lại ở đó, vì hai mô hình này nằm ở hai triết lý kiến trúc đối lập nhau.

PaddleOCR-VL là một pipeline hai giai đoạn. Một mô hình bố cục, PP-DocLayoutV3, đầu tiên phát hiện mọi phần tử trên trang, phân loại nó và dự đoán thứ tự đọc. Chỉ sau đó, mô hình ngôn ngữ-thị giác PaddleOCR-VL — một bộ mã hóa thị giác độ phân giải động kiểu NaViT kết hợp với mô hình ngôn ngữ nhẹ ERNIE-4.5-0.3B của Baidu — mới nhận diện từng vùng: văn bản, bảng biểu, công thức, biểu đồ. Lập luận của Baidu cho việc tách rời này là việc tách bố cục khỏi nhận diện tránh được các lỗi ảo giác và lệch phần tử mà các mô hình end-to-end gặp phải trên các trang phức tạp, nhiều cột.

NVIDIA-Nemotron-Parse-2.0 đại diện cho lựa chọn đối lập: một mô hình trọn gói từ đầu đến cuối. Bộ mã hóa thị giác ViT-H được xây dựng trên nền tảng C-RADIOv2 của NVIDIA cung cấp đầu vào cho bộ giải mã mười lớp theo kiểu mBART, và toàn bộ hệ thống ánh xạ trực tiếp hình ảnh trang thành văn bản theo thứ tự đọc, các hộp giới hạn, các lớp ngữ nghĩa và markdown trong một lần xử lý duy nhất. Không có giai đoạn bố cục riêng biệt nào cần cài đặt, tinh chỉnh hay quản lý phiên bản.

Bảng thông số kỹ thuật ghi như sau:

Kiến trúc — PaddleOCR-VL: phát hiện bố cục (PP-DocLayoutV3) cộng với VLM nhận dạng 0,9B (bộ mã hóa NaViT + ERNIE-4.5-0.3B). NVIDIA-Nemotron-Parse-2.0: một bộ mã hóa–giải mã thị giác 0,9B (ViT-H C-RADIOv2 + bộ giải mã kiểu mBART).

Hợp đồng đầu ra — cả hai đều trả về văn bản theo thứ tự đọc, một hộp giới hạn (bounding box) và lớp ngữ nghĩa cho từng vùng, cùng markdown. PaddleOCR-VL bổ sung các prompt dành riêng cho từng tác vụ nhận dạng văn bản, bảng, công thức, biểu đồ, spotting (phát hiện) và con dấu; Parse 2.0 xuất bảng dưới dạng LaTeX, HTML, markdown, JSON hoặc CSV và ở bản 2.0 đã bổ sung một lớp ngữ nghĩa chuyên dụng cho biểu đồ.

• Ngữ cảnh — PaddleOCR-VL 1.6 hỗ trợ ngữ cảnh lên tới 131.072 token; tài liệu thẻ của Parse 2.0 có đầu vào lên tới 2048×1664 và trần đầu ra 9.000 token.

• Giấy phép — PaddleOCR-VL được cấp phép theo Apache 2.0; Parse 2.0 được cấp phép theo NVIDIA Open Model License, với tokenizer theo CC-BY-4.0. Cả hai đều cho phép sử dụng thương mại.

Vấn đề benchmark: 96.33% so với một con số không ai có thể kiểm tra.

Đây là phần mà cuộc đối đầu không còn là sự so sánh mà trở thành câu hỏi về nguồn cung ứng.

Bản phát hành hiện tại của PaddleOCR-VL, PaddleOCR-VL 1.6, phát hành ngày 28 tháng 5 năm 2026, đạt 96,33% trên OmniDocBench v1.6 — sự kết hợp giữa nhận dạng văn bản, công thức và bảng biểu cùng với dự đoán thứ tự đọc — và 93,19% trên Real5-OmniDocBench, một biến thể đánh giá độ bền cho các trang tài liệu bị cong vênh, nghiêng lệch và chụp qua màn hình, nơi Baidu cho biết mô hình này dẫn trước Gemini-3-Pro gần bốn điểm. Đó là số liệu do chính Baidu công bố, nhưng chúng được ghi nhận trên benchmark công khai dùng chung của lĩnh vực, vì vậy chúng có thể được xếp hạng so với MinerU 2.5-Pro, GLM-OCR và phần còn lại của bảng xếp hạng.

NVIDIA-Nemotron-Parse-2.0 báo cáo một bộ số liệu khác trên một bộ đánh giá khác. ParseBench tổng thể 0.6391, tăng từ 0.5782 trên v1.2; MOSCAR đa ngôn ngữ F1 0.9102, tăng từ 0.4410; IndicVisionBench ANLS 0.7203, tăng từ 0.0612; và khoảng cách biên tập viết tay OmniDocBench Notes giảm từ 0.9739 xuống 0.3395. Mỗi con số trong số đó là của chính NVIDIA, được in trên thẻ mô hình, và không có con số nào được tái lập một cách độc lập. ParseBench là bộ đánh giá của NVIDIA; MOSCAR và IndicVisionBench là các bộ chuyên dụng. Không có kết quả chạy nào được công bố của Parse 2.0 trên tổng hợp OmniDocBench mà PaddleOCR-VL dẫn đầu, và không có kết quả chạy nào của PaddleOCR-VL trên ParseBench.

Vậy câu trả lời trung thực cho câu hỏi "ai đạt điểm cao hơn" là chưa ai biết cả, và bất kỳ ai tuyên bố ngược lại đều đang so sánh những thước đo khác nhau. Điểm giao thoa duy nhất là phần chữ viết tay trong OmniDocBench Notes, nơi thẻ của Parse 2.0 tuyên bố cải thiện lớn về khoảng cách chỉnh sửa so với chính phiên bản tiền nhiệm của nó — nhưng đó là con số ở cấp độ tác vụ, không phải điểm tổng hợp mà PaddleOCR-VL báo cáo. Sự bất đối xứng thực sự quan trọng mang tính cấu trúc: 96.33 của PaddleOCR-VL là một vị trí trên bảng xếp hạng mà ai cũng có thể tra cứu, trong khi các tuyên bố của Parse 2.0 chỉ là một kho lưu trữ mới có năm ngày và chưa được bên thứ ba kiểm chứng.

Ngôn ngữ: độ phủ so với chênh lệch được khai báo

Cả hai mẫu đều mở đầu bài giới thiệu của mình bằng ngôn ngữ, và cả hai đều có một câu chuyện — nhưng những câu chuyện có hình dạng khác nhau.

Câu chuyện đa ngôn ngữ của PaddleOCR-VL là mức độ bao phủ đã được cung cấp sẵn: 109 ngôn ngữ, với chiều sâu đặc biệt ở những nơi OCR đa ngôn ngữ khó nhất — tài liệu cổ Trung Quốc, chữ Hán hiếm gặp, nhận dạng con dấu và triện, văn bản dọc, và định vị khung không đều cho các trang bị nghiêng hoặc gấp. Đây là trình phân tích mà thế giới quy trình tài liệu Trung Quốc đã áp dụng chính vì lý do đó.

NVIDIA-Nemotron-Parse-2.0 được mô tả như một sự khác biệt được tuyên bố. Vốn từ vựng tăng từ 52,329 lên 72,256 token, và thẻ mô hình quy sự tăng trưởng này cho OCR đa ngôn ngữ, với mức tăng lớn nhất được tuyên bố trên các hệ chữ CJK và Ấn Độ. Bước nhảy của MOSCAR từ 0.44 lên 0.91 và IndicVisionBench từ 0.06 lên 0.72 là những tuyên bố rằng các hệ chữ từng thất bại giờ đây phân tích chấp nhận được — trên tiếng Bengal, Hindi, Telugu, Tamil, và sáu ngôn ngữ Ấn Độ khác, theo thẻ mô hình.

Cái nào quan trọng phụ thuộc vào việc bạn phân tích cái gì. Nếu kho ngữ liệu của bạn là tiếng Trung hoặc rộng hơn là CJK, PaddleOCR-VL là lựa chọn đã được kiểm chứng, được bảng xếp hạng hậu thuẫn, và câu hỏi thực sự duy nhất là bạn cần pipeline đầy đủ hay chỉ cần mô hình. Nếu kho ngữ liệu của bạn thiên về nhóm ngôn ngữ Ấn Độ — tiếng Bengal, tiếng Hindi, tiếng Gujarat, tiếng Kannada và các ngôn ngữ lân cận — thì delta được Parse 2.0 tuyên bố là con số đáng chú ý nhất trên thông số của nó, và đó chính là loại tuyên bố mà hoặc tái lập được trên dữ liệu của bạn, hoặc sụp đổ. Chưa ai chạy Parse 2.0 trên một benchmark công khai nào cho nhóm ngôn ngữ Ấn Độ.

Khoảng cách trưởng thành chính là cái giá thực sự.

Không mô hình nào tính phí theo trang — cả hai đều là trọng số miễn phí mà bạn tự phục vụ — nên mức giá quan trọng là chi phí vận hành, và khoảng cách ở đó là rất lớn.

PaddleOCR-VL là một nền tảng đã được ổn định. Hỗ trợ vLLM gốc nằm ngay trong chính framework (vllm/model_executor/models/paddleocr_vl.py, vLLM 0.11.1 trở lên); Baidu cung cấp bản triển khai hiệu suất cao chính thức với cổng FastAPI, Triton cho giai đoạn bố cục, và vLLM cho VLM; có các bản lượng tử hóa GGUF từ cộng đồng; PaddleOCR-VL 1.5 đã hỗ trợ AMD ROCm ngay từ ngày đầu ra mắt; và mô hình được tích hợp vào các công cụ mà hầu hết mọi người đã dùng — RAGFlow, MinerU, Umi-OCR, và OmniParser đều tích hợp nó. Chuyển từ 1.5 lên 1.6 không tốn chi phí vì kiến trúc không thay đổi.

NVIDIA-Nemotron-Parse-2.0 mới ra mắt được năm ngày và điều đó thể hiện rõ. Phục vụ nó đồng nghĩa với việc cần một bản dựng vLLM có hỗ trợ mã từ xa Nemotron Parse, backend attention Triton trên phần cứng lớp A100/A10, cùng bốn dependency bổ sung (albumentations, timm, open_clip_torch, einops). Mô hình giữ đầu ra gắn liền với các embedding của bộ giải mã, điều mà một số bản dựng vLLM xử lý sai trừ khi bạn thêm bản vá runtime đi kèm của NVIDIA. Và file tokenizer.json được phân phối có phần đệm được nhúng sẵn lên tới 9.000 token — một người duy trì Dynamo đã gặp trường hợp thực tế vào đầu tháng 8 khi một prompt ngắn phình to thành hàng chục nghìn token ID. Không điều nào trong số này là nghiêm trọng; tất cả chỉ là thời gian kỹ thuật mà một nền tảng đã ổn định không bao giờ đòi hỏi. Đồng thời cũng không có endpoint được lưu trữ và không có gói NIM nào được liệt kê cho 2.0, vì vậy tự lưu trữ là lựa chọn duy nhất.

Tốc độ: cả hai đều nhanh, một cái được khẳng định.

Đối với một trình phân tích trang, throughput là con số quyết định doanh thu. Con số nổi bật của PaddleOCR-VL là khoảng 1.881 token mỗi giây trên một GPU A100, được công bố tại thời điểm ra mắt phiên bản v1.0 và vẫn do nhà cung cấp báo cáo — đủ nhanh để mô hình 0.9B được sử dụng thường xuyên cho khối lượng OCR lớn. NVIDIA-Nemotron-Parse-2.0 là mô hình end-to-end 0.9B, nên về mặt thiết kế nó đã nhanh, và hệ sinh thái đang tiếp tục đẩy xa hơn: một pull request vLLM đang được xem xét tính đến ngày 5 tháng 8 cho phép giải mã suy đoán (speculative decoding) sử dụng đầu dự đoán phụ trợ mà NVIDIA phát hành kèm theo các trọng số, báo cáo mức tăng throughput trung vị là 45,65% ở mức đồng thời 1, 40,85% ở mức đồng thời 8 và 39,60% ở mức đồng thời 32 trên GPU H100 với 1.005 trang của ParseBench. PR đó chưa được hợp nhất và chưa được tái lập kết quả — hãy coi các con số phần trăm này chỉ mang tính định hướng, không phải là benchmark có thể trích dẫn.

Ai nên chọn cái nào

• Hãy chọn PaddleOCR-VL nếu bạn cần một giai đoạn phân tích hoạt động trong quý này: tài liệu tiếng Trung hoặc đa ngôn ngữ CJK, trích xuất bảng biểu và công thức ở mức SOTA, triển khai bằng vLLM hoặc Docker, và một thành tích trên bảng xếp hạng mà bạn có thể chỉ ra trong cuộc họp. Đây là lựa chọn sản xuất ít rủi ro, và là câu trả lời cho bất kỳ ai có kho ngữ liệu chủ yếu là CJK.

• Hãy chọn NVIDIA-Nemotron-Parse-2.0 nếu bạn đã tự lưu trữ (self-host) dòng Nemotron Parse — 2.0 là bản nâng cấp tương thích trực tiếp (drop-in) với cùng cấu trúc API — nếu kho ngữ liệu của bạn có nhiều chữ viết Indic hoặc chữ viết tay và bạn muốn kiểm tra xem các mức chênh lệch (delta) trên thẻ có tái hiện được không, hoặc nếu một lớp ngữ nghĩa biểu đồ chuyên dụng đáng để đầu tư thời gian kỹ thuật thực sự. Hãy dự trù cho những khó khăn của người áp dụng sớm, và đừng đặt cược một quy trình sản xuất vào nó trước khi có đánh giá của chính bạn.

• Hãy đi theo con đường trung dung nếu pipeline của bạn thực sự là "parser, rồi đến LLM" — điều mà hầu hết đều như vậy. Parser là một giai đoạn; mô hình tóm tắt markdown, trích xuất các trường dữ liệu hoặc trả lời các câu hỏi truy xuất là một giai đoạn riêng biệt, và chính giai đoạn thứ hai đó là nơi một nền tảng định tuyến thể hiện giá trị của nó. Không parser nào trong so sánh này nằm trên OrcaRouter — cả hai đều là open weights tự lưu trữ — nhưng lớp xung quanh chúng chính xác là thứ mà OrcaRouter phục vụ: hơn 200 mô hình đằng sau một API với giá niêm yết của nhà cung cấp, 0% phụ phí, nhờ đó mức giảm giá từ nhà cung cấp có hiệu lực ngay trong ngày được công bố, và tự động chuyển sang dự phòng nếu một nhà cung cấp bị suy giảm. Phiên bản thực tế của lời khuyên đó: nếu bạn định đặt cược pipeline vào một parser chưa được kiểm chứng, hãy giữ mọi thứ xung quanh nó có thể hoán đổi được, để việc chuyển đổi từ Parse 2.0 sang PaddleOCR-VL hoặc sang một LLM khác chỉ là một thay đổi định tuyến chứ không phải viết lại toàn bộ.

Điểm mấu chốt

Lựa chọn ở đây thực sự không phải giữa hai mô hình — mà là giữa một hồ sơ công khai và một tuyên bố riêng tư. PaddleOCR-VL 1.6 là mô hình SOTA mã nguồn mở đã được kiểm chứng: đạt 96.33 trên OmniDocBench v1.6, hỗ trợ 109 ngôn ngữ, hạ tầng phục vụ đã chín muồi, và hệ sinh thái đã được xây dựng sẵn quanh nó. NVIDIA-Nemotron-Parse-2.0 là kẻ thách thức âm thầm: mới ra mắt năm ngày, chưa được công bố, chỉ hỗ trợ tự triển khai, với model card tuyên bố những cải thiện rất lớn về đa ngôn ngữ và chữ viết tay mà chưa ai xác minh. 96.33 và 0.6391 không thể so sánh trực tiếp, và giả vờ rằng có thể so sánh chính là cách các nhóm kết cục trích dẫn những con số mang ý nghĩa khác nhau. Nếu bạn phát hành hôm nay, hãy phát hành bằng PaddleOCR-VL. Nếu tuyên bố đa ngôn ngữ là thứ mà bộ ngữ liệu của bạn kiểm thử, thì kẻ thách thức âm thầm là một bài đánh giá cuối tuần rẻ trên chính tài liệu của bạn — những chênh lệch này thuộc loại hoặc tái lập được hoặc sụp đổ, và một bản phát hành âm thầm là cách rẻ nhất để biết điều đó.

FAQ

Hôm nay tôi có thể so sánh PaddleOCR-VL và NVIDIA-Nemotron-Parse-2.0 trên cùng một benchmark không?

Không thực sự có ý nghĩa. Điểm 96.33 của PaddleOCR-VL là điểm tổng hợp OmniDocBench v1.6 — chuẩn đánh giá công khai dùng chung của lĩnh vực — còn các con số của Parse 2.0 là từ ParseBench (bộ đánh giá riêng của NVIDIA), MOSCAR, IndicVisionBench và một tập con chữ viết tay của OmniDocBench, tất cả do nhà cung cấp tự báo cáo. Không có lần chạy độc lập nào của Parse 2.0 trên bộ tổng hợp OmniDocBench, và không có lần chạy nào của PaddleOCR-VL trên ParseBench. Điểm trùng duy nhất là phần chữ viết tay trên OmniDocBench Notes, và ngay cả ở đó hai mô hình cũng báo cáo các loại điểm số khác nhau. Cho đến khi bên thứ ba chạy Parse 2.0 trên chuẩn đánh giá chung, việc so sánh vẫn là so sánh táo với cam.

Mô hình nào xử lý tài liệu tiếng Trung và các tài liệu CJK khác tốt hơn?

Tính đến hôm nay, PaddleOCR-VL, và xét về bằng chứng thì chưa có gì gần được. Mô hình của Baidu là bản địa CJK, giữ SOTA công khai trên chuẩn đánh giá mà lĩnh vực này xếp hạng theo, và có thế mạnh được ghi nhận trong tài liệu cổ Trung Quốc, chữ hiếm và nhận dạng triện ấn. Thẻ thông số của NVIDIA-Nemotron-Parse-2.0 tuyên bố tăng cường lớn về CJK và Indic so với v1.2, nhưng những con số đó do nhà cung cấp tự báo cáo và chưa được kiểm nghiệm độc lập. Tuyên bố này đáng để kiểm tra nếu bạn xử lý các hệ chữ đó; nó chưa phải là kết quả mà bạn có thể tin tưởng được.

Cả hai mô hình có được sử dụng miễn phí không, và tôi chạy chúng như thế nào?

Cả hai đều là trọng số miễn phí với quyền sử dụng thương mại được cho phép — PaddleOCR-VL theo Apache 2.0, Parse 2.0 theo NVIDIA Open Model License — nhưng không cái nào là API được lưu trữ trên nền tảng định tuyến, và Parse 2.0 hoàn toàn không có tùy chọn lưu trữ nào. PaddleOCR-VL chạy trực tiếp trên vLLM, trong bản triển khai Docker chính thức của Baidu, cũng như thông qua trang web PaddleOCR và API đám mây của Baidu. Parse 2.0 phải tự lưu trữ với bản dựng vLLM hỗ trợ mã từ xa Nemotron Parse, cùng với bản vá tied-output-head và bản sửa lỗi tokenizer. Giai đoạn phân tích cú pháp là do bạn đảm nhiệm trong cả hai trường hợp; điều mà lớp định tuyến bổ sung là giai đoạn LLM sau đó, nơi bạn muốn có sự tự do để hoán đổi mô hình mà không cần thiết kế lại đường ống xử lý.