Baidu Paddle hat kürzlich offiziell das nächste Generation OCR-Modell PP-OCRv6 veröffentlicht.
Es führt drei Modellgrößen ein – Tiny, Small und Medium – und unterstützt 50+ Sprachen – für alle Einsatzbereiche vom Browser und eingebetteten Geräten bis zu Servern.
Kerndaten:
- Punktzahlen für Texterkennung und -erkennung: 86,2 und 83,2
- Global #1 bei umfassender OCR-Leistung (Erkennung + Erkennung) und übertrifft allgemeine Vision-Language-Modelle wie Qwen3-VL-235B, GPT-5.5 und Gemini-3.1-Pro
- Tiny-Modell ist nur 1,5 MB groß, mit Einzelbildvorhersage in 97 ms (CPU), lauffähig in Browser-Umgebungen
- Bereits in Tools wie UmiOCR und MinerU integriert, mit über 82.200 GitHub-Sternen
Ich habe es mit drei "höllisch schwierigen" Bildern getestet, um zu sehen, wie weit es kommt.
Was bedeutet es, wenn deine OCR-Erkennungsrate nur 68 % beträgt?
Stell dir ein Szenario vor:
Ein Finanzvertrag mit gemischten chinesischen und englischen Klauseln, Zahlenbeträgen und juristischer Terminologie.
Du führst OCR mit Tesseract durch und die Erkennungsrate beträgt 68 %.
Ein Drittel des Inhalts ist falsch.
Die anschließende LLM-Analyse, Risikoextraktion und automatische Archivierung laufen alle blind auf der Grundlage fehlerhafter Daten.
Das ist kein Problem von Tesseract selbst.
Es ist das typische Dilemma traditioneller Open-Source-OCR: Bei komplexen Layouts (Formeln, Tabellen, Stempeln, mehrsprachigen Mischungen) sinken die Texterkennungsraten generell unter 70 %. Quelle
Um es noch schlimmer zu machen, denkst du vielleicht: "Warum nicht GPT-5.5 für OCR verwenden?"
Mit 235B Parametern dauert es 2 Sekunden, um ein Bild auf einer leistungsstarken GPU zu erkennen, es ist kostenpflichtig, und die Genauigkeit ist nur mittelmäßig.
Was hat PP-OCRv6 getan?
Das Tiny-Modell ist nur 1,5 MB groß und ist in 97 ms auf der Browserseite (CPU) fertig. Das Medium-Modell hat 34,5 M Parameter, 90 %+ OCR-Erkennungsgenauigkeit und schlägt GPT-5.5 und alle traditionellen Open-Source-OCR in Texterkennung und -erkennung.
Daten lügen nicht:
Diese Lücke von 10-20 Prozentpunkten ist der Unterschied zwischen "brauchbar" und "unbrauchbar".
Ich habe drei "höllisch schwierige" Bilder getestet; hier sind die Ergebnisse.
Test 1: Dunkler Hintergrund + dichte Kleinschrift
Dies ist der höllische Schwierigkeitsgrad für OCR.
Ich habe ein Tech-Style-Poster zum Testen genommen – dunkler Neon-Hintergrund, leuchtende Datenpanels, dichte chinesisch-englische Mischung und verschiedene Schriftgrößen, die alle durcheinander sind.
Diese Art von Bild lässt viele OCRs kläglich scheitern.
Testergebnisse:
✅ Haupttitel "Mastering Codex", "Master 97% of functions in 30 minutes" — Leuchtende Schriftarten, kein einziges Zeichen fehlt
✅ Kleine Labels "14 steps", "Skills", "MCP Connection" — Kleine Schrift auf dunklem Hintergrund, alle wiederhergestellt
✅ Statistische Zahlen "98%", "1200+", "85%" — Keine verpasst
✅ Details unten wie "Efficient Intelligent Data Processing Capability" — Selbst die kleinste Schriftgröße wurde erkannt
✅ Chinesisch-englische Mischung, in einem Durchgang mit einem einzigen Modell abgeschlossen
Erkennungsgeschwindigkeit:
Die Online-Erkennung dauerte etwa 1-2 Sekunden (einschließlich Netzwerk-Upload-Zeit)
Fazit: Komplexer Hintergrund + Leuchteffekte + extrem kleine Schrift + chinesisch-englische Mischung; es hat alle vier Schwierigkeiten gleichzeitig bewältigt. Seine "Sehkraft" ist tatsächlich gut genug, um als Augen für einen Agenten zu dienen.
Test 2: Finanzrechnungen
Dies ist ein reales Geschäftsszenario.
Als nächstes habe ich eine Umsatzsteuerrechnung getestet – die häufigste OCR-Anforderung für Unternehmen und das Szenario, in dem Daten auf keinen Fall nach außen gesendet werden dürfen.
Erkennungseffekt:
✅ Rechnungscode/-nummer 031002200711, 59905674 — Extrem kleine Schrift, 100 % genau
✅ Komplexe Zahlenfolge 1+3-887•97•-9642-6-62967770 — Lange Zeichenfolge mit Sonderzeichen, kein einziger Fehler
✅ Geldbeträge ¥535.00, ¥504.72, ¥30.28, Steuersatz 6% — Präzise Erkennung
✅ Die lange Zufallszeichenfolge im Passwortbereich — Vollständig wiederhergestellt
✅ Käufer-/Verkäufernamen, Steuer-IDs, Adressen und Telefonnummern — Alle korrekt
✅ Text im roten Stempel wurde ebenfalls erkannt (trotz der Interferenz des roten Kreises)
Das Überraschendste:
Diese extrem kleinen Schriftgrößen auf der Rechnung (wahrscheinlich nur 8-10 Punkt), dichte Zahlen und Sonderzeichen (•, -, +) wurden alle von PP-OCRv6 genau erkannt. Diese Präzision ist mit traditioneller OCR nicht erreichbar.
Wichtige Entdeckung: Fähigkeit zur strukturellen Extraktion
Es kann die Koordinatenpositionen jedes Feldes zurückgeben, was bedeutet, dass du direkt eine strukturierte Extraktion durchführen kannst:
1// Feldtyp basierend auf Koordinatenposition bestimmen2results.forEach(item => {3 if (item.box.y < 100) {4 // Oberer Bereich → Rechnungscode/-nummer5 } else if (item.text.includes('¥')) {6 // Enthält Währungssymbol → Betragsfeld7 }8});
Diese Fähigkeit ermöglicht es PP-OCRv6, nicht nur "Text zu sehen", sondern "Dokumentstruktur zu verstehen". Dies ist ein wichtiger Schritt von OCR zu Document AI.
Test 3: Handschriftliche Notizen
Zeit für den Stresstest.
Schließlich habe ich eine handschriftliche Notiz getestet – eine traditionelle OCR-Herausforderung. Unordentliche Handschrift, durchgehende Striche und Falten im Papier.
Testergebnisse:
✅ Datumserkennung "August 30, 2025" — Vollständig korrekt
✅ Handschriftlicher Fließtext "Stayed at home all day today, missed dancing twice" — Sogar die unordentliche Schreibweise von "那" wurde erkannt
✅ Renovierungsliste vollständig erkannt:
- "Hard decoration 109k", "3 ACs: 26k", "3 Glass: 11.5k"
- "Appliances 180k", "Water heater: 3000"
- "Stove/Hood: 7000", "Washer/Dryer: 5000"
- "Fridge 3000" ✅ Komplexe Zahlen "Sent 44k today (including fridge)", "Current: 214.5k" — Handschriftliche Zahlen und Beträge wurden alle korrekt erkannt
Bewertung der Erkennungsrate:
- Saubere Handschrift: ~90% Erkennungsrate
- Schlüsselinformationen (Daten, Projektnamen, Beträge): Nahezu 100%
- Unordentliche Kursivteile: ~70-80% Erkennungsrate, beeinträchtigt jedoch nicht das Gesamtverständnis
Unerwartete Entdeckung:
Selbst bei Handschrift hat PP-OCRv6 starke Erkennungsfähigkeiten für strukturierte Informationen (Daten, Beträge, Listen). Das bedeutet, es kann für handschriftliche Formulare, Rechnungen und Besprechungsnotizen verwendet werden – es muss nicht 100 % genau sein, solange es die Schlüsselfelder erfasst.
Fazit:
PP-OCRv6 ist nicht allmächtig; extrem unordentliche Handschrift bleibt eine Herausforderung. Für saubere Handschrift, gedruckten Text, klare Screenshots und Scans hat seine Leistung jedoch die kommerzielle Qualität erreicht.
Welche Szenarien müssen lokalisiert werden?
Die Anwendungsszenarien von PP-OCRv6 umfassen Unternehmensbüros, Gesundheitswesen, Bildung/Forschung, Entwicklertools, Regierungsarchive, E-Commerce und Finanzen/Versicherungen.
Hier sind einige typische Szenarien.
💼 Unternehmensbüro: Automatisierte Spesenerstattung
Ein Pharmaunternehmen hat die Reisekostenerstattung von 5,3 Tagen auf 4,2 Stunden verkürzt, nachdem es PP-OCR eingebettet hatte. Quelle
Prozess:
Mitarbeiter lädt Rechnung hoch → Browserseitige Feldextraktion (Betrag, Datum, Händler) → Regelvalidierung → Ausnahmen an LLM gesendet → Automatische Buchung.
Warum muss es lokalisiert werden?
Finanzbelege enthalten operative Daten wie Lieferanten, Preise und Kostenstrukturen; das Hochladen an eine Drittanbieter-API ist eine Compliance-Rotlinie. Lokalisierung hält die Daten im Browser.
🏥 Gesundheitswesen: Elektronische Krankenakten
Krankenakten enthalten Patientendaten (Name, ID, Zustand) und dürfen nicht in die öffentliche Cloud hochgeladen werden.
Lösungsvergleich:
- Traditionelle private Bereitstellung: Hohe Kosten, schwerer Wartungsaufwand
- PP-OCRv6 Browserseitig: Läuft direkt, keine Serverkosten
Prozess:
Scanner lädt Krankenaktenbild hoch → Lokale OCR-Erkennung → Daten nach Anonymisierung gespeichert. Ursprungsdaten verlassen nie den Computer des Bedieners.
⚖️ Juristische Verträge: Schutz von Geschäftsgeheimnissen
KI-Assistenten in Anwaltskanzleien müssen Vertragsklauseln (Parteien, Beträge, Bedingungen, Haftung) extrahieren. Aber Verträge sind die wichtigsten Geschäftsgeheimnisse der Mandanten.
Lokalisierter Prozess:
Vertragsscan hochladen → Browserseitige OCR extrahiert Volltext → Lokales LLM führt Klausel-Extraktion durch → Prüfbericht erstellen. Daten verlassen nie den Arbeitsplatz des Anwalts und erfüllen die Anwaltsgeheimnisvereinbarungen.
In diesem Szenario ist die Lokalisierung der Unterschied zwischen "möglich" und "unmöglich".
Rückmeldung aus der Praxis:
Ein Entwickler einer Anwaltskanzlei berichtete nach dem Upgrade auf PP-OCRv6: "Die Geschwindigkeit und der Effekt sind tatsächlich viel besser als bei V5." Es wird direkt für die Formatbereinigung und Anonymisierung von Fallakten verwendet. Quelle
💻 Entwicklertools: Screenshot zu Text
Entwickler müssen oft Text aus Designentwürfen, Dokumenten oder Logs extrahieren. Cloud-APIs haben Netzwerklatenz (200-500 ms), Aufrufbeschränkungen und Code-Snippets sind nicht für die externe Übertragung geeignet.
Lokalisierte Erfahrung:
Screenshot → Hotkey → Lokale Erkennung → Einfügen. Der gesamte Vorgang dauert 200 ms und erfordert kein Internet. OCR ändert sich von "auf API warten" zu "Hotkey drücken" und wird Teil des Workflows.
📚 Weitere Szenarien
Bildung/Forschung: Benotungshilfe, Digitalisierung wissenschaftlicher Literatur, Organisation handschriftlicher Notizen.
Regierungsarchive: Digitalisierung historischer Archive, Extraktion von Ausweisinformationen, Dokumentenfluss.
E-Commerce: Erfassung von Produktinformationen, Erkennung von Logistikdokumenten, Rechnungsprüfung.
Finanzen/Versicherungen: Extraktion von Versicherungsinformationen, Erkennung von Bankschecks, Verarbeitung von Risikomanagementunterlagen.
Ein vollständiger lokalisierter Agenten-Loop
Der Wert von PP-OCRv6 liegt nicht nur in der "genauen Erkennung". Es liegt darin, dass "dieser Erkennungsschritt kein Internet benötigt".
Das Ausführen im Browser bedeutet, dass du einen Daten-verlassen-nie-lokal-Loop erstellen kannst:
1Lokales Bild / Screenshot2 ↓3PP-OCRv6 (Browserseitig, 97 ms) ← Daten verlassen diesen Rechner nicht4 ↓5Strukturierter Text6 ↓7Lokales LLM / Lokale Regelverarbeitung8 ↓9Automatische Kategorisierung / Formularausfüllung / Speicherung
In diesem Loop bleiben sowohl das Bild als auch die Erkennungsergebnisse auf dem Gerät des Benutzers. Für Szenarien mit sensiblen Belegen ist dies nicht nur "besser", es ist der Unterschied zwischen "möglich" und "unmöglich".
Früher erforderten solche Anforderungen teure private Bereitstellungen; jetzt kannst du einfach einen Browser öffnen und es ausführen.
Dies ist die wahre Bedeutung von "Agenten lokale Augen geben": Agenten können endlich "sehen", und der Vorgang des Sehens erfordert nicht, dass sie ihre Augen an jemand anderen ausleihen.
Wie verwenden? Drei Integrationsmethoden
Methode 1: Online-Erfahrung (0 Minuten bis zum Start)
Der schnellste Weg ist, paddleocr.com zu besuchen und ein Bild hochzuladen, um den Effekt zu sehen.
Geeignet für: Schnelle Überprüfung der Fähigkeiten, Testen bestimmter Bilder.
Einschränkung: Daten werden auf den Server hochgeladen, nicht für sensible Inhalte geeignet.
Methode 2: Browserseitige Integration (Empfohlen)
Für Web-Apps, die Lokalisierung erfordern, integriere PaddleOCR.js direkt:
1// 1. Installieren2npm install paddleocr-js34// 2. Modell initialisieren5import { createOCR } from 'paddleocr-js';6const ocr = await createOCR({7 detPath: '/models/det_tiny.onnx',8 recPath: '/models/rec_tiny.onnx',9 dictPath: '/models/dict.txt'10});1112// 3. Bild erkennen13const results = await ocr.recognize(imageElement);
Wichtige Vorteile:
- Modelldateien werden einmal geladen; die anschließende Erkennung erfordert kein Netzwerk.
- Einzelbilderkennung beginnt bei 97 ms (CPU, offizielle Daten).
- Unterstützt die Rückgabe von Einzelzeichen-Koordinaten für die detaillierte Layout-Wiederherstellung.
Geeignet für: Browser-Erweiterungen, Web-Apps, Electron-Desktop-Apps. Quelle
Methode 3: Python Lokale Bereitstellung (Szenarien mit hoher Präzision)
Für Szenarien, die maximale Präzision oder Stapelverarbeitung erfordern, verwende das Python SDK:
1# 1. Installieren2pip install paddleocr paddlepaddle34# 2. Medium-Version für höchste Präzision verwenden5from paddleocr import PaddleOCR6ocr = PaddleOCR(use_angle_cls=True, lang='ch')78# 3. Stapelerkennung9result = ocr.ocr('invoice.jpg', cls=True)
Fortgeschrittene Spielereien:
- Kombinieren mit NER-Modellen zur Feldextraktion.
- Verbinden mit lokalen LLMs, um vollständige Dokumentenverständnis-Agenten zu erstellen.
- Mit FastAPI als interne API für die Teamfreigabe umschließen.
Geeignet für: Serverseitige Stapelverarbeitung, hohe Präzisionsanforderungen, Sekundärentwicklung. Quelle
Technischer Deep Dive: Warum ist ein OCR-Modell mit 34,5 M Parametern genauer als ein allgemeines Modell mit 235B?
In einer Ära, in der große Modelle Hunderte von Milliarden Parametern haben, erreicht PP-OCRv6 mit nur 34,5 M Parametern eine höhere Genauigkeit als Qwen3-VL-235B, GPT-5.5 und Gemini-3.1-Pro. Wie?
Vereinheitlichte Basis: Eine Architektur für zwei Aufgaben
Die Kerninnovation von PP-OCRv6 ist das LCNetV4-Backbone-Netzwerk, das sowohl für die Erkennung als auch für die Wiedererkennung verwendet wird.
Der Unterschied liegt in der Verarbeitung:
- Erkennung: Normale Bildskalierung, um Merkmale zu extrahieren und Text zu lokalisieren.
- Wiedererkennung: Komprimiert die Höhe unter Beibehaltung der Breite und wandelt das Textbild in eine Sequenz zum zeichenweisen Lesen um.
Derselbe Architektur-Code dient drei Größen (Tiny/Small/Medium), was die Entwicklungs- und Wartungskosten erheblich reduziert.
Warum es wichtig ist: Dieses "vereinheitlichte Basis"-Design ist leichter und stärker als traditionelle duale unabhängige Netzwerke.
Genauere Erkennung: Feature-Pyramide mit großem rezeptivem Feld
PP-OCRv6 verwendet eine Feature-Pyramide mit großem rezeptivem Feld, die den "Sichtbereich" von 3x3 auf 7x7 erweitert.
Effekt: Weniger Parameter, aber deutlich verbesserte Erkennung von kleinem und dichtem Text.
Stärkere Wiedererkennung: Leichtgewichts-Aufmerksamkeit + 50 Sprachen in einem Modell
Der Wiedererkennungsteil fügt ein leichtgewichts-Aufmerksamkeitsmodul hinzu, um den Kontext zwischen Zeichen zu verstehen, während das Wörterbuch um etwa 200 Zeichen mit Akzenten erweitert wurde.
Wichtiger Durchbruch: Ein einziges Modell kann Chinesisch, Englisch, Japanisch und 46 lateinbasierte Sprachen erkennen – insgesamt 50 Sprachen – ohne dass für jede Sprache das Modell gewechselt werden muss.
Warum es wichtig ist: Es ist ein qualitativer Sprung für mehrsprachige Mischszenarien (wie englische Verträge mit chinesischen Klauseln).
Leistungsdaten: Der Vorteil spezialisierter Modelle
PP-OCRv6_medium hat nur 34,5 M Parameter, aber in internen Multi-Szenarien-Tests des PaddleOCR-Teams übertraf seine OCR-Textwiedererkennungsgenauigkeit Qwen3-VL-235B (235 Milliarden Parameter), GPT-5.5 und Gemini-3.1-Pro. Quelle
Warum? Spezialisierte Modelle bleiben für vertikale Aufgaben effizienter als allgemeine große Modelle. VLMs müssen Dokumentenverständnis, logisches Denken und Generierung ausbalancieren; OCR ist nur eine Teilaufgabe. PP-OCRv6 ist von der Architektur bis zum Datentraining ausschließlich darauf optimiert, "Text klar zu sehen".
Wichtige Daten:
- Wiedererkennungsgenauigkeit 83,2 %, 5,1 % höher als die Vorgängergeneration.
- Erkennungs-Hmean 86,2 %, 4,6 % höher als die Vorgängergeneration.
- GPU-Inferenzgeschwindigkeit um das 2,37-fache erhöht.
Der fatale Fehler von VLMs: Halluzinatorische Korrektur
Multimodale Modelle wie VLMs haben einen fatalen Fehler bei der Verarbeitung von OCR: "halluzinatorische Korrektur" basierend auf linguistischen Priors.
Zum Beispiel: Wenn das Bild "Welcme" (Tippfehler) sagt, könnte GPT-5.5 es "intelligent" zu "Welcome" korrigieren.
Für Szenarien, die eine zeichengetreue Wiederherstellung erfordern (juristische Dokumente, Code-Screenshots, Produktseriennummern), ist diese "Intelligenz" katastrophal.
Datenvergleich:
- PP-OCRv6 Exakte Übereinstimmungsrate: 93,2% — Stellt jedes Zeichen im Bild originalgetreu wieder her.
- Qwen3-VL-235B Exakte Übereinstimmungsrate: 80,6% — Neigt dazu, Text, der nicht im Bild vorhanden ist, "aufzufüllen".
Diese Lücke von 12,6 Prozentpunkten bedeutet, dass spezialisierte leichtgewichtige Modelle zuverlässiger sind als allgemeine große Modelle in Szenarien, die eine präzise Wiederherstellung erfordern.
Die Designphilosophie von PP-OCRv6 ist es, "visuelle Inhalte originalgetreu wiederherzustellen", ohne Vermutungen auf der Grundlage von Sprachmodellen anzustellen. Offizielle Vergleiche zeigen, dass VLMs bei der Verarbeitung von Industriezeichen, Punktmatrix-Text oder Reifenspuren offensichtliche Halluzinationen erzeugen, während PP-OCRv6 die ursprünglichen Zeichen genau erkennt. Quelle
Auswahlhilfe für die drei Modelle
PP-OCRv6 bietet drei Stufen, die alles von Edge-Geräten bis zu Servern abdecken.
Auswahlhilfe: Browserseitige Agenten sollten mit Tiny/Small beginnen (ausreichend und schnell ladend); verwende Medium für die serverseitige Stapelverarbeitung. Quelle
Kostenvergleich
Cloud-APIs werden pro Nutzung abgerechnet (ca. 200-1500 RMB für 100.000 Bilder/Monat), während lokalisierte Modelle kostenlos, Open Source, mit null Betriebskosten, ohne Parallelitätsbeschränkungen und offline nutzbar sind.
Abschließend
OCR ist seit Jahren wettbewerbsfähig; Genauigkeit ist keine Seltenheit mehr. Selten ist es, Text klar zu sehen, ohne seine Daten herauszugeben.
PP-OCRv6 macht dies zu einem 97-ms-Aufruf im Browser (Tiny-Modell, CPU). Für diejenigen, die Agenten bauen, bedeutet dies, dass die "Bildlese"-Fähigkeit endlich in ein Produkt aufgenommen werden kann, das "Null Datenlecks" verspricht.
Deinem Agenten lokale Augen zu geben, könnte damit beginnen, diesen einen Cloud-OCR-Aufruf zu ersetzen.
Verwandte Ressourcen
- PaddleOCR Offizielle Website: paddleocr.com
- GitHub: github.com/PaddlePaddle/PaddleOCR
- HuggingFace: huggingface.co/collections/PaddlePaddle/pp-ocrv6
- Online-Erfahrung: paddleocr.com (Unterstützt direkte Bild-Uploads zum Testen)
Technisches Papier: PP-OCRv6: From 1.5M to 34.5M Parameters, Surpassing Billion-Scale VLMs on OCR Tasks (arXiv:2606.13108)
👉 Wenn dieser Artikel hilfreich war, like, teile und speichere ihn!
