2507.05595_PaddleOCR 3.0 Technical Report¶
引用: 12(2025-10-19)
组织: 百度
Document: https://paddlepaddle.github.io/PaddleOCR
Models & Online Demo: https://huggingface.co/PaddlePaddle
总结¶
三种主要解决方案
PP-OCRv5：用于多语言文本识别。
PP-StructureV3：用于分层文档解析。
PP-ChatOCRv4：用于关键信息提取。
PP-OCRv5
提供两种模型版本：
服务器版(默认)：适用于配备 GPU 等加速硬件的系统，推理速度快、吞吐量高。
移动版：针对 CPU 环境优化，适配资源受限设备。
包含四个关键模块：
图像预处理模块（可选）：用于图像旋转、几何畸变纠正，包括基于 PP-LCNet 的图像方向分类和基于 UVDoc 的图像展开模型。
文本检测模型：在 PP-OCRv4 的基础上进行了架构、知识蒸馏和数据增强的优化，采用更先进的 PP-HGNetV2 作为主干网络，提升了对复杂文本的检测能力。
文本行方向分类模型：自动识别并纠正文本行方向，确保后续识别模型接收标准可读文本。
文本识别模型：采用双分支结构（GTC-NRTR + SVTR-HGNet），兼顾准确性和推理效率，训练时使用 ERNIE-4.5-VL 生成高质量数据。
核心贡献
统一多语言建模：在一个模型中支持多种语言，模型体积小于 100MB，简化了工业部署。
复杂手写识别能力：相比之前模型，手写识别错误率降低 26%，适用于教育、金融、法律等领域。
历史文本与生僻字识别能力：通过网络优化和高质量数据集提升复杂场景下的识别准确性。
PP-StructureV3
包含五个模块：
预处理：包括图像方向分类和展开模型，与 PP-OCRv5 的预处理部分相同。
OCR：使用 PP-OCRv5 检测和识别文档中的所有文本内容。
布局分析：包含布局检测模型和区域检测模型，用于识别复杂文档（如多栏杂志、考试卷、手写文档）中的布局结构和元素位置。
文档元素识别：
表格识别：PP-TableMagic，支持结构化输出为 HTML。
公式识别：PP-FormulaNet_plus，可生成 LaTeX 公式。
图表解析：PP-Chart2Table，可将图表解析为 Markdown 表格。
印章识别：PP-OCRv4_seal，支持弯曲文本识别。
后处理：重构文档元素的关系（如图与表的关联、阅读顺序恢复），采用改进的 X-Y Cut 方法提升复杂布局的处理能力。
PP-ChatOCRv4
PP-Structure：作为文档解析模块，识别布局、文本和表格等结构。
向量检索模块：构建文本特征数据库，结合 RAG 技术提升关键信息检索效率。
大语言模型：当前使用 ERNIE-4.5-300B-A47B，通过精心设计的提示词提取信息。
PP-DocBee2：一种面向文档的多模态大模型，支持直接从图像中提取答案。
结果融合模块：融合文本与图像提取结果，生成最终输出。
Abstract¶
本技术报告介绍了 PaddleOCR 3.0，这是一个基于 Apache 许可证的开源 OCR 和文档解析工具包。随着大型语言模型（LLMs）时代对文档理解需求的增加，PaddleOCR 3.0 提出了三种主要解决方案：
PP-OCRv5：用于多语言文本识别。
PP-StructureV3：用于分层文档解析。
PP-ChatOCRv4：用于关键信息提取。
尽管这些模型的参数数量少于 1 亿个，但它们在准确性和效率方面与参数量达十亿级的视觉-语言模型（VLMs）相媲美，具有很强的竞争力。
此外，PaddleOCR 3.0 还提供了高质量的 OCR 模型库，并支持高效的训练、推理和部署工具。它兼容异构硬件加速，帮助开发者更轻松地构建智能文档应用。
术语解释：
1-EditDist（1-Edit Distance）：指的是编辑距离的倒数，数值越高，表示识别效果越好。这是衡量 OCR 模型性能的重要指标之一。
总结重点：
PaddleOCR 3.0 是一个轻量但高效的开源 OCR 工具包。
提出的三种模型（PP-OCRv5、PP-StructureV3、PP-ChatOCRv4）分别应对文本识别、文档结构解析和关键信息提取。
虽然参数较少，但性能可与大模型媲美。
提供一站式 OCR 解决方案，适合开发者快速开发智能文档应用。
1 Introduction¶
1.1 OCR 的重要性¶
光学字符识别（OCR）是一种基础技术，用于将包含文字的图像或扫描文档转换为结构化的机器可读文本。随着人工智能时代的到来，特别是大规模语言模型（LLMs）和检索增强生成（RAG）系统的兴起，OCR 的战略意义愈加突出。如今，OCR 不仅要求实现高精度的文字识别，还需成为高质量数据集构建、知识提取和视觉与语义层连接的关键技术。
重点强调：
OCR 是现代 AI 系统中的核心基础技术。
与 LLM 和 RAG 系统结合后，OCR 的作用已超越单纯的文字识别，成为知识管理和信息检索的重要环节。
1.2 OCR 技术的发展历程¶
Figure 2: Evolution from PaddleOCR 1.x & 2.x to PaddleOCR 3.0. Different colors have been employed to denote areas with notable discrepancies between PaddleOCR 1.x & 2.x and PaddleOCR 3.0.
OCR 技术的发展反映了计算机视觉与自然语言处理的整体演进。早期的 OCR 系统依赖于手工特征和规则启发式方法，在受控条件下表现良好，但在面对复杂多样的真实场景时快速失效。深度学习（特别是卷积神经网络）的出现推动了数据驱动的 OCR 时代，显著提升了识别的准确性、鲁棒性和适应性。
重点强调：
传统 OCR 无法应对复杂文档类型和多样性需求。
深度学习推动 OCR 技术进入新阶段。
1.3 当前 OCR 面临的新挑战¶
随着大模型应用的普及，OCR 需要处理更广泛的文档类型，包括手写文本、多语言内容、罕见字符、表格与图像嵌套的复杂布局。此外，OCR 通常需支持下游任务，如文档理解、关键信息提取（KIE）和语义搜索，成为端到端智能工作流的一部分。
重点强调：
OCR 需要适应多样化和复杂化的文档需求。
支持文档理解与语义处理是当前 OCR 发展的重要方向。
1.4 LLM 与 RAG 对 OCR 的新要求¶
近年来，大模型和 RAG 技术的快速发展重塑了信息检索和知识管理的格局。OCR 不再只是数据采集工具，而是构建高质量语料库、支持模型训练和推理的关键环节。OCR 输出的准确性和完整性直接影响到 LLM 和 RAG 的性能与可信度。
重点强调：
OCR 是 LLM 和 RAG 系统中不可或缺的“数据源头”。
OCR 质量直接影响模型推理的准确性与可靠性。
1.5 当前 OCR 的局限性¶
尽管 OCR 技术取得了长足进步，但实际部署中仍面临诸多挑战。例如，处理低质量扫描、复杂背景、非标准字体、多模态文档（图文混排）等都对 OCR 提出更高要求。此外，面对全球语言、书写风格的多样性，OCR 需要在视觉建模和语言理解能力之间取得平衡。
重点强调：
实际部署中存在 OCR 无法很好应对的多模态、多语言问题。
工业界对轻量化、可扩展的 OCR 解决方案需求迫切。
1.6 PaddleOCR 的发展背景¶
作为开源 OCR 项目，PaddleOCR 从 2020 年起持续推动 OCR 技术的发展。其核心特点是全面覆盖、端到端流程和轻量高效。PP-OCR 系列不断迭代，从 v1 到 v4 不断提升识别性能、扩展语言支持，并引入文档结构理解能力（如 SLANet 表格识别）。
重点强调：
PaddleOCR 通过持续迭代，成为 OCR 领域的重要开源项目。
PP-OCRv1 到 v4 逐步提升了 OCR 的准确率和适用性。
1.7 PaddleOCR 的应用与影响¶
PaddleOCR 在学术和工业界都得到了广泛应用，并拥有活跃的开发者社区。截至 2025 年 6 月，其 GitHub 已获 5 万星标，并作为多个项目的 OCR 引擎（如 MinerU、RAGFlow、UmiOCR）。PaddleOCR 在高质量数据集构建、文档解析、智能归档等任务中发挥核心作用，并广泛支持 LLM 和 RAG 的数据流程。
重点强调：
PaddleOCR 是当前 OCR 技术中应用最广泛的开源项目之一。
其模块化架构与丰富 API 支持多种 AI 场景的集成。
1.8 用户反馈与未来需求¶
随着用户基数的增长，PaddleOCR 的社区反馈也更加丰富。用户对 OCR 提出更高要求，包括更精准的手写识别、多语言与罕见字符支持、复杂布局解析以及智能化信息提取等。这些需求也受到 LLM 和 RAG 应用规模扩大的推动。
重点强调：
用户反馈推动 OCR 技术的进一步发展。
面向 LLM 和 RAG 的需求是技术演进的关键驱动力。
1.9 PaddleOCR 3.0 的核心技术创新¶
PaddleOCR 3.0 是一次重大版本升级，旨在全面增强 OCR 的识别精度和文档解析能力。主要创新包括：
PP-OCRv5 高精度文字识别流水线
采用先进模型架构与训练策略，支持印刷体、手写体、多语言文档的高精度识别。
支持简体中文、繁体中文、拼音、英文、日文等语言的统一识别。
保持云与边缘部署的高效性。
PP-StructureV3 文档解析方案
集成布局分析、表格识别和结构提取，支持表单、发票、学术文献等复杂文档的结构化处理。
PP-ChatOCRv4 深度语义集成系统
轻量 OCR 模型与 LLM 结合，支持关键信息提取、上下文感知问答和文档理解，适用于 RAG 和智能文档代理。
专用任务支持
印章识别、公式识别、图表分析等模块增强其在科研与工业场景中的适用性。
重点强调：
PaddleOCR 3.0 代表 OCR 技术的新里程碑。
聚焦复杂场景下的识别与解析能力，支持 LLM 和 RAG 的深度集成。
1.10 PaddleOCR 3.0 的开放与扩展性¶
PaddleOCR 3.0 不仅在技术上有所突破，还在开放性、易用性和扩展性方面持续优化。新版提供更清晰的 API 和 CLI，保持向后兼容性。部署方面，其架构更加模块化，便于与 LLM 系统集成。
重点强调：
PaddleOCR 3.0 以开放、模块化和可扩展为核心设计理念。
有助于推动 OCR 在 AI 生态中的广泛应用。
1.11 PaddleOCR 3.0 的愿景与影响¶
PaddleOCR 3.0 旨在成为文档 AI 领域的智能、高效、开放基础设施。它不仅推动智能自动化与知识驱动 AI 系统的发展，还在视觉与语言交叉领域激发新的研究和应用前景。
重点强调：
PaddleOCR 3.0 是 OCR 技术演进的重要节点。
对智能文档处理、知识管理、AI 自动化等领域具有深远影响。
总结来看，本文介绍了 OCR 技术的重要性、发展历程、当前挑战以及 PaddleOCR 项目的发展与演进，重点展示了 PaddleOCR 3.0 的核心技术创新和应用前景。文章结构清晰，逻辑层层递进，全面呈现 OCR 技术在现代 AI 体系中的关键作用。
2 Core Capabilities¶
PaddleOCR 3.0 包含三项核心能力：PP-OCRv5、PP-StructureV3 和 PP-ChatOCRv4。本节分别介绍了这些能力所解决的问题、模型方案细节及其性能表现。
2.1 PP-OCRv5¶
PP-OCRv5 是一个高精度、轻量级的OCR系统，适用于多种场景，支持包括简体中文、繁体中文、拼音、英文和日文在内的多语言识别。它提供两种模型版本：
服务器版：适用于配备 GPU 等加速硬件的系统，推理速度快、吞吐量高。
移动版：针对 CPU 环境优化，适配资源受限设备。
默认情况下，文中提到的 PP-OCRv5 指的是服务器版本。
系统框架¶
Figure 3: Pipeline of PP-OCRv5. The pipeline includes image preprocessing, text region detection, text line orientation classification, and text recognition, ultimately extracting the text from images and outputting it as structured textual content.
PP-OCRv5 包含四个关键模块：
图像预处理模块（可选）：用于图像旋转、几何畸变纠正，包括基于 PP-LCNet 的图像方向分类和基于 UVDoc 的图像展开模型。
文本检测模型：在 PP-OCRv4 的基础上进行了架构、知识蒸馏和数据增强的优化，采用更先进的 PP-HGNetV2 作为主干网络，提升了对复杂文本的检测能力。
文本行方向分类模型：自动识别并纠正文本行方向，确保后续识别模型接收标准可读文本。
文本识别模型：采用双分支结构（GTC-NRTR + SVTR-HGNet），兼顾准确性和推理效率，训练时使用 ERNIE-4.5-VL 生成高质量数据。
核心贡献¶
统一多语言建模：在一个模型中支持多种语言，模型体积小于 100MB，简化了工业部署。
复杂手写识别能力：相比之前模型，手写识别错误率降低 26%，适用于教育、金融、法律等领域。
历史文本与生僻字识别能力：通过网络优化和高质量数据集提升复杂场景下的识别准确性。
性能评估¶
在 17 个不同场景（包括中文、英文、拼音、古籍等）中测试，PP-OCRv5 在平均 1-edit distance 指标上超越了多个大模型（如 GPT-4o、Gemini 等），特别是在中文场景中表现突出。尽管模型规模较小（仅 0.07B 参数），却在多个关键指标上领先。
2.2 PP-StructureV3¶
PP-StructureV3 是一个文档图像解析系统，能够将文档图像或 PDF 文件解析为结构化数据（如 JSON、Markdown）。
系统框架¶
Figure 8: Pipeline of PP-StructureV3. The pipeline includes Preprocessing, OCRv5, Layout Analysis and Document Items Recognition and Postprocessing. It effectively parses content from images and outputs it as structured data.
PP-StructureV3 包含五个模块：
预处理：包括图像方向分类和展开模型，与 PP-OCRv5 的预处理部分相同。
OCR：使用 PP-OCRv5 检测和识别文档中的所有文本内容。
布局分析：包含布局检测模型和区域检测模型，用于识别复杂文档（如多栏杂志、考试卷、手写文档）中的布局结构和元素位置。
文档元素识别：
表格识别：PP-TableMagic，支持结构化输出为 HTML。
公式识别：PP-FormulaNet_plus，可生成 LaTeX 公式。
图表解析：PP-Chart2Table，可将图表解析为 Markdown 表格。
印章识别：PP-OCRv4_seal，支持弯曲文本识别。
后处理：重构文档元素的关系（如图与表的关联、阅读顺序恢复），采用改进的 X-Y Cut 方法提升复杂布局的处理能力。
性能评估¶
在 OmniDocBench 基准上，PP-StructureV3 在中英文文档解析任务中表现最优，优于其他主流工具和多模态大模型（如 GPT-4o、InternVL3-78B 等）。
2.3 PP-ChatOCRv4¶
PP-ChatOCRv4 是一个文档关键信息提取系统，结合 OCR、VLM 和 LLM 技术，能够从复杂布局、多页 PDF、生僻字等挑战性场景中提取关键信息。
系统框架¶
Figure 9: Pipeline of PP-ChatOCRv4.
PP-Structure：作为文档解析模块，识别布局、文本和表格等结构。
向量检索模块：构建文本特征数据库，结合 RAG 技术提升关键信息检索效率。
大语言模型：当前使用 ERNIE-4.5-300B-A47B，通过精心设计的提示词提取信息。
PP-DocBee2：一种面向文档的多模态大模型，支持直接从图像中提取答案。
结果融合模块：融合文本与图像提取结果，生成最终输出。
性能评估¶
在自定义的多场景数据集（638 张文档图像 + 1196 个问答对）上测试，PP-ChatOCRv4 在 Recall@1 指标上达到 85.55%，优于 GPT-4o、Qwen2.5-VL-72B 等模型。
总结¶
PaddleOCR 3.0 通过 PP-OCRv5、PP-StructureV3 和 PP-ChatOCRv4 三大核心能力，实现了从文本识别、文档解析到关键信息提取的完整流程。其优势体现在：
高精度与轻量化：PP-OCRv5 表现优异，参数少但性能领先。
多语言与多模态支持：可处理中英文、拼音、古籍等复杂场景。
工业级部署能力：模块化设计、轻量模型和高效推理，适合移动和边缘设备。
结构化输出与智能提取：PP-StructureV3 和 PP-ChatOCRv4 实现了从图像到结构化数据的端到端处理。
这些能力共同推动了 OCR 技术在实际应用中的广泛部署与落地。
3 Codebase Architecture Design¶
本节介绍 PaddleOCR 3.0 的整体架构设计，重点包括训练工具包与推理库的结构设计及其改进。
3.1 Overall Architecture（整体架构）¶
Figure 10: Overall Architecture of the PaddleOCR 3.0 Codebase.
PaddleOCR 3.0 的整体架构如图 10 所示。其底层基于 PaddlePaddle 框架（Ma et al., 2019），该框架具备神经网络编译器，可优化性能、提供高度可扩展的中间表示（IR）并支持广泛的硬件兼容性。
在 PaddlePaddle 的基础上，PaddleOCR 3.0 构建了两个核心组件：
模型训练工具包（Training Toolkit）
提供从模型训练到导出的完整流程支持，包括文本检测和文本识别等模型。
支持将动态图模型转换为静态图格式，提升模型在推理和部署场景中的适应性。
用户可通过单个命令执行训练、评估和导出任务，并支持通过配置参数满足不同需求（如指定预训练模型路径或自定义数据集目录）。
推理库（Inference Library）
推理库设计为轻量且高效的结构，支持加载官方发布模型和用户自定义训练模型。
支持 8 种端到端推理模型流水线，并可灵活集成到实际应用中。
作为部署能力的基础，支持高性能推理、服务化部署、移动端部署以及通过 Model Context Protocol (MCP) 服务器运行。
其具体设计将在下一小节详细介绍。
3.2 Inference Library Design（推理库设计）¶
本节重点阐述 PaddleOCR 3.0 推理库的设计动机和结构组成，并解决 PaddleOCR 2.x 版本中存在的问题。
PaddleOCR 2.x 的主要问题¶
参数命名空间混乱：所有命令行参数共享一个命名空间，新增功能需手动添加参数，导致维护困难。
配置方式不灵活：参数仅通过函数参数配置，缺乏可复用性和可移植性，不利于配置管理与版本控制。
模块职责不清：推理库直接基于训练工具包构建，导致训练与推理入口点重叠，用户容易混淆，且模块化和可维护性差。
PaddleOCR 3.0 的改进方案¶
为解决上述问题，PaddleOCR 3.0 推理库基于 PaddleX 3.0 工具包 构建，该工具包提供了丰富的推理优化和部署功能，并考虑了向后兼容性，降低用户从 PaddleOCR 2.x 迁移的成本。新推理库采用三层架构设计：
接口层（Interface Layer）
提供统一的 Python API 和 CLI 命令行工具。
Python API：所有 OCR 任务均可通过统一接口调用，并保留了关键方法和参数的向后兼容性。
CLI：相比 PaddleOCR 2.x，CLI 完全重新设计，采用子命令方式区分不同任务，提升用户交互体验。
封装层（Wrapper Layer）
提供对 PaddleX 核心组件的 Pythonic 封装，如模型和流水线。
支持统一的接口和灵活的配置管理。
同时兼容 PaddleOCR 2.x 的参数方式，并引入 PaddleX 风格的配置文件机制，实现配置的可移植性与可复用性。
基础层（Foundation Layer）
依赖于 PaddleX 3.0 工具包，是 PaddleOCR 3.0 的核心基础。
提供推理优化和模型部署能力，并与训练工具包解耦。
通过将推理库从训练脚本中分离，明确了训练与推理的职责边界，减少了冗余入口点，提升了系统的模块化和可维护性。
架构优势¶
该分层架构确保了上层组件只依赖于下层抽象，具备低耦合、高模块化和易于维护的特点，为系统的长期演进打下了坚实基础。
4 Deployment¶
本节概述了 PaddleOCR 3.0 的部署能力，如图11所示。PaddleOCR 3.0 提供了灵活且全面的部署选项，包括高性能推理、服务部署和设备端部署，以支持多种应用场景。在实际生产环境中，OCR系统不仅需要保证识别准确率，还要满足延迟、吞吐量和硬件兼容性等要求。PaddleOCR 通过可配置的部署工具，简化了跨平台的集成，并提供了一个 MCP 服务器，方便与大语言模型（LLM）应用集成。
Figure 11: Overview of the deployment capabilities of PaddleOCR 3.0. PaddleOCR 3.0 provides high-performance inference, serving, and on-device deployment capabilities. Additionally, it enables users to easily deploy an MCP server based on PaddleOCR.
图11展示了 PaddleOCR 3.0 的部署能力：支持高性能推理、服务部署和设备端部署，并允许用户基于 PaddleOCR 部署 MCP 服务器。
4.1 高性能推理（High-Performance Inference）¶
PaddleOCR 3.0 提供了高性能推理功能，用户无需手动调优底层配置即可提升运行时性能。该功能对关键模型有显著加速作用。例如：
在 NVIDIA Tesla T4 设备上，启用高性能推理后：
PP-OCRv5_mobile_rec 的单模型推理延迟减少 73.1%
PP-OCRv5_mobile_det 的延迟减少 40.4%
关键特性包括：
自动选择推理后端：根据运行环境和模型特性，自动选择合适的推理引擎，支持 Paddle Inference、OpenVINO、ONNX Runtime 和 TensorRT。
内置优化策略：如多线程和 FP16 推理，以更好地利用硬件资源。
按需模型转换：支持将 PaddlePaddle 的静态图模型自动转换为 ONNX 格式，以兼容其他推理引擎。
用户只需开启 enable_hpi 开关即可实现加速，底层优化由 PaddleOCR 自动处理。对于高级用户，还支持通过 Python 参数或配置文件进行细粒度调优。
4.2 服务部署（Serving）¶
PaddleOCR 3.0 支持构建可扩展且生产就绪的 OCR 服务，提供两种部署方案：
• 基础服务（Basic Serving）¶
基于 FastAPI 的轻量级解决方案，适合快速验证和低并发场景。
用户可通过 CLI 一键运行任意 pipeline 服务。
提供了七种编程语言的客户端调用示例（Python、C++、Java、Go、C#、Node.js、PHP），方便集成到自有应用中。
• 高稳定性服务（High-Stability Serving）¶
基于 NVIDIA Triton Inference Server，适合对稳定性与性能要求更高的场景。
可配置多 GPU 多实例运行，充分利用计算资源。
两种服务接口相似，用户可从基础服务起步，按需升级到高稳定性方案，迁移成本低。
4.3 设备端部署（On-Device Deployment）¶
为了支持资源受限的设备部署，PaddleOCR 3.0 提供了在移动平台部署 PP-OCR 模型 的能力。通过配套工具和文档，支持模型优化与 Paddle-Lite 运行时集成，实现移动端 OCR 任务的高效运行。
4.4 MCP 服务器（MCP Server）¶
PaddleOCR 3.0 提供了轻量级的 MCP 服务器，可将 OCR 和 PP-StructureV3 流水线作为工具集成到任何兼容 MCP 的主机中。
MCP 服务器基于 PaddleOCR 推理库构建，支持其各类推理和部署方式，当前运行模式包括三种：
• 本地模式（Local）¶
在本地机器上运行 PaddleOCR pipeline，适合离线使用或数据隐私要求高的场景。
可启用高性能推理加速。
• AI Studio 模式（AI Studio）¶
通过 PaddlePaddle AI Studio 提供的云服务运行。
适合快速尝试功能、验证方案或零代码开发场景。
• 自托管模式（Self-Hosted）¶
连接到用户自建的 PaddleOCR 服务。
支持流水线服务部署，适合需要自定义服务配置的场景。
无论选择哪种模式，设置 PaddleOCR MCP 服务器都非常简便。附录中提供了示例配置文件供参考。此外，MCP 服务器支持 stdio 和 Streamable HTTP 传输方式，适用于多种部署场景。凭借其灵活架构和多模式支持，PaddleOCR MCP 服务器能够有效满足不同用户（包括开发者和企业）的多样化部署需求。
总结¶
PaddleOCR 3.0 的部署能力非常全面，涵盖了：
高性能推理：自动优化、多引擎支持、延迟显著降低
服务部署：支持 FastAPI 和 Triton，灵活满足不同性能需求
设备端部署：适合移动端和资源受限设备
MCP 服务器：便于与 LLM 集成，支持多种部署模式，提供高度灵活性和扩展性
这些特性使得 PaddleOCR 3.0 不仅在模型性能上表现出色，也具备良好的生产环境部署能力，适用于广泛的应用场景。
5 Conclusion¶
PaddleOCR 长期专注于 OCR（光学字符识别）和文档解析领域，致力于提供更有价值的技术解决方案。PaddleOCR 3.0 是一次重要的升级，其中引入的 PP-OCRv5、PP-StructureV3 和 PP-ChatOCRv4 等技术将在大规模模型时代发挥重要作用，是本章节的重点内容。
未来，PaddleOCR 将继续扩展模型功能，计划推出包括多语言文本识别模型、多模态 OCR 模型以及文档解析模型等新功能，这些内容虽然目前为规划阶段，但体现了项目的发展方向。
最后，作者呼吁用户如果发现 PaddleOCR 3.0 有帮助，或希望在项目中使用它，请引用该技术报告。
Appendix A Acknowledgments¶
核心内容：感谢所有贡献者（个人和开源社区），强调他们的贡献对项目成功的重要作用。
重点人物：列出大量项目核心参与者和开源社区支持者。
图示展示：通过图12可视化项目的主要贡献者，增强社区认同感。
Appendix B Usage of command and API details¶
B.1 通过命令行（CLI）运行推理¶
PaddleOCR 3.0 提供了方便的 CLI 接口，用户可以通过命令行快速体验以下模型的推理能力：
PP-OCRv5：适用于文本识别的 OCR 模型。
PP-StructureV3：用于文档结构分析的模型。
PP-ChatOCRv4：结合 OCR 与大语言模型（LLM）的交互式 OCR 模型。
示例命令：¶
运行 PP-OCRv5 推理：
paddleocr ocr -i test.png \ --use_doc_orientation_classify False \ --use_doc_unwarping False \ --use_textline_orientation False
该命令对
test.png进行 OCR 推理。--use_doc_orientation_classify：是否启用文档方向分类（默认关闭）。--use_doc_unwarping：是否启用文档展开功能（默认关闭）。--use_textline_orientation：是否启用文本行方向识别（默认关闭）。
运行 PP-StructureV3 推理：
paddleocr pp_structurev3 -i test.png \ --use_doc_orientation_classify False \ --use_doc_unwarping False
用于分析文档结构，输出如表格、图像、段落等布局信息。
运行 PP-ChatOCRv4：
paddleocr pp_chatocrv4_doc -i test.png \ -k number \ --qianfan_api_key your_api_key \ --use_doc_orientation_classify False \ --use_doc_unwarping False
需要先获取 Qianfan API Key。
通过 OCR 和 LLM 的结合，实现交互式文档理解。
B.2 通过 Python API 运行推理¶
除了 CLI，PaddleOCR 3.0 还提供了简洁的 Python API，方便用户集成到自己的项目中。以下是几种模型的 Python 使用示例：
1. PP-OCRv5 示例：¶
from paddleocr import PaddleOCR
ocr = PaddleOCR(
use_doc_orientation_classify=False,
use_doc_unwarping=False,
use_textline_orientation=False
)
result = ocr.predict(input="test.png")
for res in result:
res.print()
res.save_to_img("output")
res.save_to_json("output")
初始化 PaddleOCR 实例，可以配置是否使用文档方向分类、文档展开、文本方向识别等功能。
调用
predict方法进行推理，结果可通过print输出或保存为图像和 JSON。
2. PP-StructureV3 示例：¶
from paddleocr import PPStructureV3
pipeline = PPStructureV3(
use_doc_orientation_classify=False,
use_doc_unwarping=False
)
output = pipeline.predict(input="test.png")
for res in output:
res.print()
res.save_to_json(save_path="output")
res.save_to_markdown(save_path="output")
初始化 PPStructureV3 实例。
调用
predict方法进行文档结构分析，结果可保存为 JSON 或 Markdown 格式。
3. PP-ChatOCRv4 示例：¶
from paddleocr import PPChatOCRv4Doc
chat_bot_config = {
"module_name": "chat_bot",
"model_name": "xxx",
"base_url": "https://qianfan.baidubce.com/v2",
"api_type": "openai",
"api_key": "your_api_key"
}
retriever_config = {
"module_name": "retriever",
"model_name": "embedding-v1",
"api_key": "your_api_key"
}
pipeline = PPChatOCRv4Doc(
use_doc_orientation_classify=False,
use_doc_unwarping=False
)
visual_predict_res = pipeline.visual_predict(
input="test.png",
use_common_ocr=True,
use_seal_recognition=True,
use_table_recognition=True
)
vector_info = pipeline.build_vector(visual_info_list, retriever_config=retriever_config)
chat_result = pipeline.chat(
key_list=["number of people"],
visual_info=visual_info_list,
vector_info=vector_info,
chat_bot_config=chat_bot_config,
retriever_config=retriever_config
)
print(chat_result)
需要配置 chat_bot_config 和 retriever_config，包括模型名、API 地址和 Qianfan API Key。
调用
visual_predict进行图像识别，并结合 OCR 与大模型进行交互推理。最终通过
chat方法生成对话式输出结果。
重点总结：
CLI 使用：适合快速体验模型功能，适合新手用户。
Python API 使用：适合集成项目，提供了更灵活的配置和高级功能（如结构分析、交互式对话）。
所有模型均支持关闭文档方向分类、文档展开等辅助功能，提升使用效率。
PP-ChatOCRv4 需要额外配置 API Key，并依赖大模型支持，功能最为强大，适合复杂文档的理解与交互场景。
Appendix C More details on MCP host configuration¶
本附录提供了 Claude for Desktop 中 MCP 主机配置 的几个示例，展示如何连接到 PaddleOCR MCP 服务器。每个可配置的参数可以通过两种方式指定：
通过环境变量（
env字段）通过命令行参数（
args字段）
1. 使用本地 Python 库¶
这是本地部署的示例，使用本地的 PaddleOCR 库运行 OCR 服务。
配置结构：
mcpServers: 定义 MCP 服务器配置paddleocr-ocr: OCR 服务名称command: 执行命令为paddleocr_mcpargs: 命令行参数（例如：--device "gpu:1"）env: 环境变量PADDLEOCR_MCP_PIPELINE: OCR 管道类型（这里是"OCR"）PADDLEOCR_MCP_PPOCR_SOURCE: 源类型（这里是"local"，表示本地）
重点：此配置适合本地开发和测试，支持 GPU 加速。
2. 使用 PaddlePaddle AI Studio 服务¶
此示例展示了如何连接到 PaddlePaddle 提供的 AI Studio 服务。
配置结构：
mcpServers:paddleocr-ocr:command: 执行命令为paddleocr_mcpargs: 命令行参数（例如：--timeout "60"）env: 环境变量PADDLEOCR_MCP_PIPELINE:"OCR"PADDLEOCR_MCP_PPOCR_SOURCE:"aistudio"（表示使用 AI Studio 服务）PADDLEOCR_MCP_SERVER_URL: 服务的 URL（需替换为实际 URL）PADDLEOCR_MCP_AISTUDIO_ACCESS_TOKEN: 访问令牌（需替换为实际令牌）
重点：适用于使用 PaddlePaddle 提供的云端 OCR 服务，需要填写服务地址和访问令牌。
3. 使用自托管服务¶
此示例展示了如何连接到用户自己托管的 OCR 服务。
配置结构：
mcpServers:paddleocr-ocr:command: 执行命令为paddleocr_mcpargs: 命令行参数（无）env: 环境变量PADDLEOCR_MCP_PIPELINE:"OCR"PADDLEOCR_MCP_PPOCR_SOURCE:"self_hosted"（表示使用自托管服务）PADDLEOCR_MCP_SERVER_URL: 自托管服务的 URL（需替换为实际 URL）
重点：适用于企业或高级用户自建 OCR 服务的情况，配置简洁，只需指定服务地址。
总结¶
本附录提供了三种配置方式，分别适用于本地开发、云端服务（AI Studio）和自托管服务。
每种配置方式都包含命令、参数和环境变量，用户可以根据需求选择合适的配置。
重点内容：
环境变量和命令行参数是配置的核心。
不同的 OCR 源类型（
local、aistudio、self_hosted）决定了服务的来源。自托管服务需要用户自行部署并提供服务地址。
以上为 Appendix C 的内容总结，保持了原文结构并对重点内容进行了强调。