PaddlePaddle/PaddleOCR-VL

📄 MinerU-Diffusion : парсинг документов методом диффузии работает в 3.2 раза быстрее авторегрессивных моделей Команда Shanghai AI Lab и Пекинского университета представила MinerU-Diffusion — 2.5B-модель для парсинга документов, которая заменяет авторегрессивное декодирование параллельным диффузионным. Вместо генерации текста токен за токеном модель стартует с полностью замаскированной последовательности и восстанавливает все токены параллельно за несколько итераций. Порядок токенов в документе — это инженерное решение при подготовке данных, а не свойство задачи, поэтому их можно восстанавливать одновременно, а не строго слева направо. Исследователи считают диффузионный подход принципиально более подходящим для OCR: текст в документе — это детерминированное отображение визуального контента, а не вероятностная языковая генерация. MinerU-Diffusion по точности практически не уступает авторегрессионной MinerU2.5 — 93.37 против 93.44 на OmniDocBench с разметкой, 88.94 против 90.67 без. Зато работает вдвое быстрее на рабочих настройках - 108.9 против 52 TPS (токены/сек) и в 3.2× быстрее на пиковых - 164.8 TPS. PaddleOCR-VL показывает скорость 40.77 TPS. По конкретным задачам результаты неоднородные. Формулы: 91.6 против 96.6 у MinerU2.5 на сложных печатных выражениях — заметный разрыв. Таблицы: 88.66 против 90.62 TEDS-S — разрыв небольшой. Финансовые отчёты — лучший результат среди всех моделей в тесте. Слайды и рукописные заметки — слабое место: нестандартная верстка требует точной детекции разметки, которая пока остаётся узким местом. Код модели доступен на GitHub , веса модели — на Hugging Face . #Stateoftheart