มอบ "ดวงตาในเครื่อง" ให้กับ Agent: คู่มือการใช้งาน PP-OCRv6 สำหรับการทำ OCR บนเบราว์เซอร์

Baidu Paddle เพิ่งเปิดตัวโมเดล OCR รุ่นใหม่ PP-OCRv6 อย่างเป็นทางการ

โดยมาพร้อมกับ 3 ขนาดโมเดล ได้แก่ Tiny, Small และ Medium รองรับ มากกว่า 50 ภาษา ครอบคลุมทุกการใช้งานตั้งแต่งานบนฝั่งเบราว์เซอร์ อุปกรณ์ฝังตัว ไปจนถึงเซิร์ฟเวอร์

ข้อมูลหลัก:

• คะแนนงานตรวจจับและรู้จำข้อความ: 86.2 และ 83.2
• อันดับ 1 ด้านประสิทธิภาพ OCR แบบครอบคลุม (ตรวจจับ + รู้จำ) ระดับโลก นำหน้าโมเดล Vision-Language ทั่วไป เช่น Qwen3-VL-235B, GPT-5.5 และ Gemini-3.1-Pro
• โมเดล Tiny มีขนาดเพียง 1.5MB พร้อม การประมวลผลภาพเดียวใน 97ms (CPU) สามารถทำงานได้ในสภาพแวดล้อมเบราว์เซอร์
• ถูกผสานรวมในเครื่องมืออย่าง UmiOCR และ MinerU แล้ว มีมากกว่า 82,200 ดาวบน GitHub

ผมทดสอบกับภาพ "ระดับโหด" 3 ภาพ เพื่อดูว่ามันไปได้ไกลแค่ไหน

อัตราการรู้จำ OCR ของคุณอยู่ที่ 68% มันหมายความว่าอะไร?

ลองนึกภาพสถานการณ์:

สัญญาทางการเงินที่มีข้อความผสมระหว่างจีนและอังกฤษ ตัวเลขจำนวนเงิน และศัพท์กฎหมาย

คุณรัน OCR โดยใช้ Tesseract แล้วอัตราการรู้จำอยู่ที่ 68%

หนึ่งในสามของเนื้อหาผิดพลาด

การวิเคราะห์ LLM, การดึงข้อมูลความเสี่ยง และการจัดเก็บอัตโนมัติที่ตามมาล้วนทำงานบนข้อมูลที่ผิดพลาด

นี่ไม่ใช่ปัญหาของ Tesseract เอง

มันเป็นปัญหาทั่วไปของ OCR โอเพนซอร์สแบบดั้งเดิม: ในรูปแบบที่ซับซ้อน (สูตร ตาราง ตราประทับ ภาษาผสม) อัตราการรู้จำข้อความโดยทั่วไปจะต่ำกว่า 70% อ้างอิง

ที่แย่กว่านั้น คุณอาจคิดว่า "ทำไมไม่ใช้ GPT-5.5 ในการทำ OCR ล่ะ?"

ด้วยพารามิเตอร์ 235B ใช้เวลา 2 วินาทีในการรู้จำภาพหนึ่งภาพบน GPU ประสิทธิภาพสูง จ่ายเงิน และความแม่นยำก็แค่พอใช้ได้

PP-OCRv6 ทำอะไรได้บ้าง?

โมเดล Tiny มีขนาดเพียง 1.5MB และทำงานเสร็จใน 97ms บนฝั่งเบราว์เซอร์ (CPU) โมเดล Medium มีพารามิเตอร์ 34.5M ความแม่นยำในการรู้จำ OCR มากกว่า 90% และเหนือกว่า GPT-5.5 และ OCR โอเพนซอร์สแบบดั้งเดิมทั้งหมดในด้านการตรวจจับและรู้จำข้อความ

ข้อมูลไม่เคยโกหก:

ช่องว่าง 10-20 เปอร์เซ็นต์นี้คือความแตกต่างระหว่าง "ใช้งานได้" กับ "ใช้ไม่ได้"

ผมทดสอบภาพ "ระดับโหด" 3 ภาพ นี่คือผลลัพธ์

ทดสอบ 1: พื้นหลังสีเข้ม + ข้อความขนาดเล็กหนาแน่น

นี่คือความยากระดับโหดของ OCR

ผมใช้โปสเตอร์สไตล์เทคในการทดสอบ—พื้นหลังนีออนสีเข้ม แผงข้อมูลเรืองแสง ข้อความผสมจีน-อังกฤษที่หนาแน่น และขนาดฟอนต์ต่างๆ ปนกัน

ภาพแบบนี้ทำให้ OCR หลายตัวล้มเหลวอย่างสิ้นเชิง

ผลการทดสอบ:

✅ หัวข้อหลัก "Mastering Codex", "Master 97% of functions in 30 minutes" — ฟอนต์เรืองแสง ไม่พลาดแม้แต่ตัวอักษรเดียว

✅ ป้ายกำกับขนาดเล็ก "14 steps", "Skills", "MCP Connection" — ข้อความขนาดเล็กบนพื้นหลังสีเข้ม ถูกกู้คืนทั้งหมด

✅ ตัวเลขสถิติ "98%", "1200+", "85%" — ไม่พลาดสักค่า

✅ รายละเอียดด้านล่าง เช่น "Efficient Intelligent Data Processing Capability" — แม้ขนาดฟอนต์ที่เล็กที่สุดก็ยังถูกตรวจจับได้

✅ ภาษาจีน-อังกฤษผสม เสร็จในครั้งเดียวด้วยโมเดลเดียว

ความเร็วในการรู้จำ:

การรู้จำออนไลน์ใช้เวลาประมาณ 1-2 วินาที (รวมเวลาอัปโหลดผ่านเครือข่าย)

สรุป: พื้นหลังซับซ้อน + เอฟเฟกต์เรืองแสง + ข้อความขนาดเล็กพิเศษ + ภาษาจีน-อังกฤษผสม; จัดการทั้งสี่ความยากพร้อมกัน "สายตา" ของมันดีพอที่จะเป็นดวงตาให้กับ Agent ได้

ทดสอบ 2: ใบแจ้งหนี้ทางการเงิน

นี่คือสถานการณ์ทางธุรกิจจริง

ต่อไป ผมทดสอบใบกำกับภาษี—ความต้องการ OCR ที่พบบ่อยที่สุดสำหรับองค์กร และเป็นสถานการณ์ที่ไม่สามารถส่งข้อมูลออกไปได้อย่างแน่นอน

ผลการรู้จำ:

✅ เลขที่ใบกำกับภาษี/รหัส 031002200711, 59905674 — ฟอนต์ขนาดเล็กพิเศษ แม่นยำ 100%

✅ สตริงตัวเลขที่ซับซ้อน 1+3-887•97•-9642-6-62967770 — สตริงยาวที่มีสัญลักษณ์พิเศษ ไม่มีผิดพลาดแม้แต่ตัวเดียว

✅ ตัวเลขทางการเงิน ¥535.00, ¥504.72, ¥30.28, อัตราภาษี 6% — รู้จำได้แม่นยำ

✅ สตริงตัวอักษรสุ่มยาวในพื้นที่รหัสผ่าน — กู้คืนได้อย่างสมบูรณ์

✅ ชื่อผู้ซื้อ/ผู้ขาย, เลขประจำตัวผู้เสียภาษี, ที่อยู่ และหมายเลขโทรศัพท์ — ถูกต้องทั้งหมด

✅ ข้อความภายในตราประทับสีแดงก็ถูกตรวจจับได้เช่นกัน (แม้จะมีการรบกวนจากวงกลมสีแดง)

สิ่งที่น่าประทับใจที่สุด:

ขนาดฟอนต์ที่เล็กมากบนใบแจ้งหนี้ (น่าจะเพียง 8-10 พอยต์) ตัวเลขหนาแน่น และสัญลักษณ์พิเศษ (•, -, +) ล้วนถูกตรวจจับได้อย่างแม่นยำโดย PP-OCRv6 ความแม่นยำระดับนี้เป็นไปไม่ได้สำหรับ OCR แบบดั้งเดิม

การค้นพบสำคัญ: ความสามารถในการดึงข้อมูลเชิงโครงสร้าง

มันสามารถคืนค่าพิกัดตำแหน่งของแต่ละฟิลด์ ซึ่งหมายความว่าคุณสามารถทำการดึงข้อมูลเชิงโครงสร้างได้โดยตรง:

1// กำหนดประเภทฟิลด์ตามตำแหน่งพิกัด
2results.forEach(item => {
3  if (item.box.y < 100) {
4    // พื้นที่ด้านบน → เลขที่ใบกำกับภาษี/รหัส
5  } else if (item.text.includes('¥')) {
6    // มีสัญลักษณ์สกุลเงิน → ฟิลด์จำนวนเงิน
7  }
8});

ความสามารถนี้ทำให้ PP-OCRv6 ไม่ใช่แค่ "มองเห็นข้อความ" แต่ "เข้าใจโครงสร้างเอกสาร" นี่คือก้าวสำคัญจาก OCR สู่ Document AI

ทดสอบ 3: บันทึกที่เขียนด้วยลายมือ

ถึงเวลาทดสอบความเครียด

สุดท้าย ผมทดสอบบันทึกที่เขียนด้วยลายมือ—ความท้าทายดั้งเดิมของ OCR ลายมือที่อ่านยาก ตัวอักษรเชื่อมติดกัน และรอยพับของกระดาษ

ผลการทดสอบ:

✅ วันที่รู้จำ "August 30, 2025" — ถูกต้องสมบูรณ์

✅ เนื้อหาบันทึกที่เขียนด้วยลายมือ "Stayed at home all day today, missed dancing twice" — แม้แต่ลายมือที่อ่านยากของ "那" ก็ยังถูกตรวจจับได้

✅ รายการปรับปรุงบ้านถูกตรวจจับทั้งหมด:

• "Hard decoration 109k," "3 ACs: 26k," "3 Glass: 11.5k"
• "Appliances 180k," "Water heater: 3000"
• "Stove/Hood: 7000," "Washer/Dryer: 5000"
• "Fridge 3000" ✅ ตัวเลขที่ซับซ้อน "Sent 44k today (including fridge)," "Current: 214.5k" — ตัวเลขและจำนวนเงินที่เขียนด้วยลายมือถูกตรวจจับได้อย่างถูกต้องทั้งหมด

การประเมินอัตราการรู้จำ:

• ลายมือที่อ่านง่าย: อัตราการรู้จำประมาณ 90%
• ข้อมูลสำคัญ (วันที่ ชื่อโครงการ จำนวนเงิน): เกือบ 100%
• ส่วนที่เป็นลายมือหวัดที่อ่านยาก: อัตราการรู้จำประมาณ 70-80% แต่ไม่ส่งผลต่อความเข้าใจโดยรวม

การค้นพบที่ไม่คาดคิด:

แม้จะเป็นลายมือ PP-OCRv6 ก็ยังมีความสามารถในการตรวจจับ ข้อมูลที่มีโครงสร้าง (วันที่ จำนวนเงิน รายการ) ได้ดี ซึ่งหมายความว่าสามารถใช้กับฟอร์มที่เขียนด้วยลายมือ ใบแจ้งหนี้ และบันทึกการประชุม—ไม่จำเป็นต้องแม่นยำ 100% ตราบใดที่ตรวจจับฟิลด์สำคัญได้

สรุป:

PP-OCRv6 ไม่ได้เก่งรอบด้าน ลายมือที่อ่านยากมากยังคงเป็นความท้าทาย อย่างไรก็ตาม สำหรับ ลายมือที่อ่านง่าย ข้อความที่พิมพ์ ภาพหน้าจอที่ชัดเจน และเอกสารสแกน ประสิทธิภาพของมันอยู่ในระดับที่ใช้งานได้เชิงพาณิชย์

สถานการณ์ใดบ้างที่ต้องใช้ Localized (ทำงานในเครื่อง)?

สถานการณ์การใช้งานของ PP-OCRv6 ครอบคลุม สำนักงานองค์กร การดูแลสุขภาพ การศึกษา/วิจัย เครื่องมือสำหรับนักพัฒนา คลังเอกสารของรัฐบาล อีคอมเมิร์ซ และการเงิน/ประกันภัย

นี่คือสถานการณ์ทั่วไปบางส่วน

💼 สำนักงานองค์กร: การเบิกค่าใช้จ่ายอัตโนมัติ

บริษัทยาแห่งหนึ่งลดเวลาการเบิกค่าเดินทางจาก 5.3 วัน เหลือ 4.2 ชั่วโมง หลังจากฝัง PP-OCR อ้างอิง

กระบวนการ:

พนักงานอัปโหลดใบแจ้งหนี้ → การดึงข้อมูลฟิลด์บนฝั่งเบราว์เซอร์ (จำนวนเงิน วันที่ ร้านค้า) → การตรวจสอบกฎ → ข้อยกเว้นถูกส่งไปยัง LLM → การบันทึกอัตโนมัติ

ทำไมต้อง Localized?

เอกสารทางการเงินมีข้อมูลการดำเนินงาน เช่น ซัพพลายเออร์ ราคา และโครงสร้างต้นทุน การอัปโหลดไปยัง API ของบุคคลที่สามคือเส้นสีแดงด้านการปฏิบัติตามข้อกำหนด Localization ช่วยให้ข้อมูลอยู่ในเบราว์เซอร์

🏥 การดูแลสุขภาพ: เวชระเบียนอิเล็กทรอนิกส์

เวชระเบียนมีข้อมูลส่วนตัวของผู้ป่วย (ชื่อ บัตรประชาชน อาการ) และไม่สามารถอัปโหลดไปยังคลาวด์สาธารณะได้

การเปรียบเทียบโซลูชัน:

• การติดตั้งในองค์กรแบบดั้งเดิม: ต้นทุนสูง ดูแลรักษาหนัก
• PP-OCRv6 บนฝั่งเบราว์เซอร์: ทำงานได้ทันที ไม่มีค่าใช้จ่ายเซิร์ฟเวอร์

กระบวนการ:

เครื่องสแกนอัปโหลดภาพเวชระเบียน → การรู้จำ OCR ในเครื่อง → ข้อมูลถูกจัดเก็บหลังจากการทำข้อมูลให้ไม่สามารถระบุตัวตนได้ ข้อมูลต้นฉบับไม่เคยออกจากคอมพิวเตอร์ของผู้ปฏิบัติงาน

⚖️ สัญญาทางกฎหมาย: การปกป้องความลับทางการค้า

ผู้ช่วย AI ของสำนักงานกฎหมายจำเป็นต้องดึงข้อมูลข้อสัญญา (คู่สัญญา จำนวนเงิน เงื่อนไข ความรับผิด) แต่สัญญาเป็นความลับทางการค้าหลักของลูกค้า

กระบวนการ Localized:

อัปโหลดสัญญาที่สแกน → OCR บนฝั่งเบราว์เซอร์ดึงข้อมูลข้อความเต็ม → LLM ในเครื่องทำการดึงข้อมูลข้อสัญญา → สร้างรายงานการตรวจสอบ ข้อมูลไม่เคยออกจากเวิร์กสเตชันของทนายความ ตอบสนองข้อตกลงการรักษาความลับระหว่างทนายความกับลูกค้า

ในสถานการณ์นี้ Localization คือความแตกต่างระหว่าง "เป็นไปได้" กับ "เป็นไปไม่ได้"

ความคิดเห็นจริง:

นักพัฒนาในสำนักงานกฎหมายรายงานหลังจากอัปเกรดเป็น PP-OCRv6: "ความเร็วและผลลัพธ์ดีกว่า V5 จริงๆ" ใช้โดยตรงสำหรับการทำความสะอาดรูปแบบและการทำข้อมูลให้ไม่สามารถระบุตัวตนของไฟล์คดี อ้างอิง

💻 เครื่องมือสำหรับนักพัฒนา: ภาพหน้าจอเป็นข้อความ

นักพัฒนามักต้องแยกข้อความจากแบบร่างการออกแบบ เอกสาร หรือบันทึก API บนคลาวด์มีเวลาแฝงของเครือข่าย (200-500ms) ข้อจำกัดในการเรียกใช้ และโค้ดสั้นๆ ไม่เหมาะสำหรับการส่งออกภายนอก

ประสบการณ์ Localized:

ภาพหน้าจอ → ปุ่มลัด → การรู้จำในเครื่อง → วาง กระบวนการทั้งหมดใช้เวลา 200ms โดยไม่ต้องใช้อินเทอร์เน็ต OCR เปลี่ยนจาก "รอ API" เป็น "กดปุ่มลัด" กลายเป็นส่วนหนึ่งของขั้นตอนการทำงาน

📚 สถานการณ์เพิ่มเติม

การศึกษา/วิจัย: ช่วยในการให้คะแนน การแปลงเอกสารวิชาการเป็นดิจิทัล การจัดระเบียบบันทึกที่เขียนด้วยลายมือ

คลังเอกสารของรัฐบาล: การแปลงเอกสารประวัติศาสตร์เป็นดิจิทัล การดึงข้อมูลบัตรประชาชน การไหลของเอกสาร

อีคอมเมิร์ซ: การป้อนข้อมูลสินค้า การรู้จำเอกสารโลจิสติกส์ การตรวจสอบใบแจ้งหนี้

การเงิน/ประกันภัย: การดึงข้อมูลกรมธรรม์ การรู้จำใบแจ้งยืนยันธนาคาร การประมวลผลเอกสารการควบคุมความเสี่ยง

ลูป Agent แบบ Localized ที่สมบูรณ์

คุณค่าของ PP-OCRv6 ไม่ได้อยู่ที่ "รู้จำแม่นยำ" เท่านั้น แต่อยู่ที่ "ขั้นตอนการรู้จำนี้ไม่ต้องใช้อินเทอร์เน็ต"

การทำงานในเบราว์เซอร์หมายความว่าคุณสามารถสร้าง ลูปที่ข้อมูลไม่เคยออกจากเครื่อง:

1Local Image/Screenshot
2   ↓
3PP-OCRv6 (Browser-side, 97ms)   ← Data does not leave this machine
4   ↓
5Structured Text
6   ↓
7Local LLM / Local Rule Processing
8   ↓
9Auto-categorization / Form Filling / Storage

ในลูปนี้ ทั้งภาพและผลการรู้จำยังคงอยู่ในอุปกรณ์ของผู้ใช้ สำหรับสถานการณ์ที่เกี่ยวข้องกับเอกสารที่ละเอียดอ่อน นี่ไม่ใช่แค่ "ดีกว่า" แต่คือความแตกต่างระหว่าง "เป็นไปได้" กับ "เป็นไปไม่ได้"

ก่อนหน้านี้ ข้อกำหนดดังกล่าวต้องการการติดตั้งในองค์กรที่มีราคาแพง ตอนนี้คุณสามารถเปิดเบราว์เซอร์และรันได้เลย

นี่คือความหมายที่แท้จริงของ "การทำให้ Agent มีดวงตาท้องถิ่น": Agent สามารถ "มองเห็น" ได้ในที่สุด และกระบวนการมองเห็นไม่จำเป็นต้องยืมดวงตาให้คนอื่น

วิธีใช้งาน? สามวิธีการผสานรวม

วิธีที่ 1: ทดลองใช้แบบออนไลน์ (เริ่มต้น 0 นาที)

วิธีที่เร็วที่สุดคือไปที่ paddleocr.com และอัปโหลดภาพเพื่อดูผลลัพธ์

เหมาะสำหรับ: การตรวจสอบความสามารถอย่างรวดเร็ว การทดสอบภาพเฉพาะ

ข้อจำกัด: ข้อมูลถูกอัปโหลดไปยังเซิร์ฟเวอร์ ไม่เหมาะสำหรับเนื้อหาที่ละเอียดอ่อน

วิธีที่ 2: การผสานรวมบนฝั่งเบราว์เซอร์ (แนะนำ)

สำหรับเว็บแอปที่ต้องการ Localization ให้ผสานรวม PaddleOCR.js โดยตรง:

1// 1. ติดตั้ง
2npm install paddleocr-js
3
4// 2. เริ่มต้นโมเดล
5import { 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});
11
12// 3. รู้จำภาพ
13const results = await ocr.recognize(imageElement);

ข้อได้เปรียบหลัก:

• ไฟล์โมเดลโหลดครั้งเดียว การรู้จำครั้งต่อไปไม่ต้องใช้เครือข่าย
• การรู้จำภาพเดียวเริ่มต้นที่ 97ms (CPU, ข้อมูลทางการ)
• รองรับการคืนค่าพิกัดตัวอักษรเดี่ยวสำหรับการกู้คืนรูปแบบละเอียด

เหมาะสำหรับ: ส่วนขยายเบราว์เซอร์, เว็บแอป, แอปเดสก์ท็อป Electron อ้างอิง

วิธีที่ 3: การติดตั้ง Python ในเครื่อง (สถานการณ์ที่ต้องการความแม่นยำสูง)

สำหรับสถานการณ์ที่ต้องการความแม่นยำสูงสุดหรือการประมวลผลเป็นชุดให้ใช้ Python SDK:

1# 1. ติดตั้ง
2pip install paddleocr paddlepaddle
3
4# 2. ใช้เวอร์ชัน Medium เพื่อความแม่นยำสูงสุด
5from paddleocr import PaddleOCR
6ocr = PaddleOCR(use_angle_cls=True, lang='ch')
7
8# 3. การรู้จำเป็นชุด
9result = ocr.ocr('invoice.jpg', cls=True)

การใช้งานขั้นสูง:

• รวมกับโมเดล NER สำหรับการดึงข้อมูลฟิลด์
• เชื่อมต่อกับ LLM ในเครื่องเพื่อสร้าง Agent ทำความเข้าใจเอกสารที่สมบูรณ์
• ห่อด้วย FastAPI เป็น API ภายในสำหรับการแบ่งปันในทีม

เหมาะสำหรับ: การประมวลผลเป็นชุดฝั่งเซิร์ฟเวอร์ ความต้องการความแม่นยำสูง การพัฒนาต่อยอด อ้างอิง

เจาะลึกเทคนิค: ทำไมโมเดล OCR ขนาด 34.5M ถึงแม่นยำกว่าโมเดลทั่วไปขนาด 235B?

ในยุคที่โมเดลขนาดใหญ่มีพารามิเตอร์เป็นร้อยพันล้าน PP-OCRv6 บรรลุความแม่นยำที่สูงกว่า Qwen3-VL-235B, GPT-5.5 และ Gemini-3.1-Pro ด้วยพารามิเตอร์เพียง 34.5M ได้อย่างไร?

ฐานรวม: สถาปัตยกรรมเดียวสำหรับสองงาน

นวัตกรรมหลักของ PP-OCRv6 คือโครงข่ายหลัก LCNetV4 ซึ่งใช้สำหรับทั้งการตรวจจับและการรู้จำ

ความแตกต่างอยู่ที่การประมวลผล:

• การตรวจจับ: การปรับขนาดภาพปกติเพื่อแยกคุณสมบัติและระบุตำแหน่งข้อความ
• การรู้จำ: บีบอัดความสูงในขณะที่รักษาความกว้าง ทำให้ภาพข้อความกลายเป็นลำดับสำหรับการอ่านทีละตัวอักษร

โค้ดสถาปัตยกรรมเดียวกันรองรับสามขนาด (Tiny/Small/Medium) ลดต้นทุนการพัฒนาและบำรุงรักษาลงอย่างมาก

เหตุผลที่สำคัญ: การออกแบบ "ฐานรวม" นี้เบาและแข็งแกร่งกว่าเครือข่ายอิสระแบบคู่แบบดั้งเดิม

การตรวจจับที่แม่นยำยิ่งขึ้น: พีระมิดคุณสมบัติขอบเขตการรับรู้ขนาดใหญ่

PP-OCRv6 ใช้ พีระมิดคุณสมบัติขอบเขตการรับรู้ขนาดใหญ่ ขยาย "ขอบเขตการมองเห็น" จาก 3x3 เป็น 7x7

ผลลัพธ์: พารามิเตอร์น้อยลง แต่การตรวจจับข้อความขนาดเล็กและหนาแน่นดีขึ้นอย่างมีนัยสำคัญ

การรู้จำที่แข็งแกร่งขึ้น: กลไกความสนใจน้ำหนักเบา + 50 ภาษาในโมเดลเดียว

ส่วนการรู้จำเพิ่ม โมดูลความสนใจน้ำหนักเบา เพื่อทำความเข้าใจบริบทระหว่างตัวอักษร ในขณะที่พจนานุกรมถูกขยายประมาณ 200 ตัวอักษรด้วยเครื่องหมายเน้นเสียง

ความก้าวหน้าสำคัญ: โมเดลเดียวสามารถรู้จำภาษาจีน อังกฤษ ญี่ปุ่น และภาษาในตระกูลละตินอีก 46 ภาษา—รวมทั้งหมด 50 ภาษา—โดยไม่ต้องเปลี่ยนโมเดลสำหรับแต่ละภาษา

เหตุผลที่สำคัญ: มันเป็นการก้าวกระโดดเชิงคุณภาพสำหรับสถานการณ์ที่มีภาษาผสมหลายภาษา (เช่น สัญญาภาษาอังกฤษที่มีข้อความเป็นภาษาจีน)

ข้อมูลประสิทธิภาพ: ข้อได้เปรียบของโมเดลเฉพาะทาง

PP-OCRv6_medium มีพารามิเตอร์เพียง 34.5M แต่ในการทดสอบหลายสถานการณ์ภายในของทีม PaddleOCR ความแม่นยำในการรู้จำข้อความ OCR ของมันเหนือกว่า Qwen3-VL-235B (235 พันล้านพารามิเตอร์), GPT-5.5 และ Gemini-3.1-Pro อ้างอิง

ทำไม? โมเดลเฉพาะทางยังคงมีประสิทธิภาพมากกว่าโมเดลขนาดใหญ่ทั่วไปสำหรับงานแนวตั้ง VLM ต้องรักษาสมดุลระหว่างการทำความเข้าใจเอกสาร การให้เหตุผล และการสร้าง; OCR เป็นเพียงงานย่อยหนึ่ง PP-OCRv6 ได้รับการปรับให้เหมาะสมตั้งแต่สถาปัตยกรรมไปจนถึงการฝึกอบรมข้อมูลเพื่อ "มองเห็นข้อความให้ชัดเจน" เท่านั้น

ข้อมูลสำคัญ:

• ความแม่นยำในการรู้จำ 83.2% เพิ่มขึ้น 5.1% จากรุ่นก่อนหน้า
• Hmean การตรวจจับ 86.2% เพิ่มขึ้น 4.6% จากรุ่นก่อนหน้า
• ความเร็วในการอนุมานบน GPU เพิ่มขึ้น 2.37 เท่า

ข้อบกพร่องร้ายแรงของ VLM: การแก้ไขที่เกิดจากภาพหลอน

โมเดลมัลติโมดัลเช่น VLM มีข้อบกพร่องร้ายแรงเมื่อจัดการกับ OCR: "การแก้ไขที่เกิดจากภาพหลอน" โดยอาศัยความรู้ภาษาเดิม

ตัวอย่างเช่น: หากภาพเขียนว่า "Welcme" (พิมพ์ผิด) GPT-5.5 อาจ "ชาญฉลาด" แก้ไขเป็น "Welcome"

สำหรับสถานการณ์ที่ต้องการการกู้คืนตัวอักษรต่อตัวอักษร (เอกสารทางกฎหมาย ภาพหน้าจอโค้ด หมายเลขซีเรียลสินค้า) "ความชาญฉลาด" นี้เป็นหายนะ

การเปรียบเทียบข้อมูล:

• PP-OCRv6 Exact Match Rate: 93.2% — กู้คืนทุกตัวอักษรในภาพอย่างซื่อสัตย์
• Qwen3-VL-235B Exact Match Rate: 80.6% — มีแนวโน้มที่จะ "เติม" ข้อความที่ไม่มีในภาพ

ช่องว่าง 12.6 เปอร์เซ็นต์นี้หมายความว่า โมเดลน้ำหนักเบาเฉพาะทางมีความน่าเชื่อถือมากกว่าโมเดลขนาดใหญ่ทั่วไป สำหรับสถานการณ์ที่ต้องการการกู้คืนที่แม่นยำ

ปรัชญาการออกแบบของ PP-OCRv6 คือ "กู้คืนเนื้อหาภาพอย่างซื่อสัตย์" โดยไม่คาดเดาตามโมเดลภาษา การเปรียบเทียบอย่างเป็นทางการแสดงให้เห็นว่าเมื่อจัดการกับตัวอักษรอุตสาหกรรม ข้อความดอทเมทริกซ์ หรือรอยยาง VLM ก่อให้เกิดภาพหลอนที่ชัดเจน ในขณะที่ PP-OCRv6 รู้จำตัวอักษรเดิมได้อย่างแม่นยำ อ้างอิง

คำแนะนำการเลือกสำหรับสามโมเดล

PP-OCRv6 มีสามระดับครอบคลุมตั้งแต่อุปกรณ์ขอบถึงเซิร์ฟเวอร์

คำแนะนำการเลือก: Agent บนฝั่งเบราว์เซอร์ควรเริ่มต้นด้วย Tiny/Small (เพียงพอและโหลดเร็ว); ใช้ Medium สำหรับการประมวลผลเป็นชุดแบ็คเอนด์ ออ้างอิง

การเปรียบเทียบต้นทุน

API บนคลาวด์จ่ายตามการใช้งาน (ประมาณ 200-1500 หยวนสำหรับ 100k ภาพ/เดือน) ในขณะที่โมเดล Localized ฟรี โอเพนซอร์ส ไม่มีค่าใช้จ่ายในการรัน ไม่มีข้อจำกัดด้านการทำงานพร้อมกัน และทำงานแบบออฟไลน์

สุดท้ายนี้

OCR มีการแข่งขันกันมาหลายปี ความแม่นยำไม่ใช่สิ่งที่หายากอีกต่อไป สิ่งที่หายากคือ การมองเห็นข้อความได้ชัดเจนโดยไม่ต้องส่งข้อมูลของคุณให้ใคร

PP-OCRv6 ทำให้สิ่งนี้เป็นการเรียกใช้ 97ms ในเบราว์เซอร์ (โมเดล Tiny, CPU) สำหรับผู้ที่สร้าง Agent ความสามารถในการ "อ่านภาพ" สามารถรวมไว้ในผลิตภัณฑ์ที่สัญญาว่า "ไม่มีการรั่วไหลของข้อมูล" ได้ในที่สุด

การทำให้ Agent ของคุณมีดวงตาท้องถิ่นอาจเริ่มต้นด้วยการเปลี่ยนการเรียกใช้ OCR บนคลาวด์นั้นหนึ่งบรรทัด

แหล่งข้อมูลที่เกี่ยวข้อง

• เว็บไซต์ทางการ PaddleOCR: paddleocr.com
• GitHub: github.com/PaddlePaddle/PaddleOCR
• HuggingFace: huggingface.co/collections/PaddlePaddle/pp-ocrv6
• ทดลองใช้แบบออนไลน์: paddleocr.com (รองรับการอัปโหลดภาพโดยตรงเพื่อทดสอบ)

เอกสารทางเทคนิค: PP-OCRv6: From 1.5M to 34.5M Parameters, Surpassing Billion-Scale VLMs on OCR Tasks (arXiv:2606.13108)

👉 หากบทความนี้มีประโยชน์ กรุณากดไลค์ แชร์ และบันทึก!