PaddleOCR 3.5:使用 Transformers 后端运行 OCR 和文档解析任务
2026 年 5 月 18 日发布
PaddleOCR 3.5 将 OCR 和文档解析任务更紧密地带入 Hugging Face 生态。借助此次发布,支持的 PaddleOCR 模型可以通过设置以下参数,使用 Hugging Face Transformers 作为推理后端 运行:
engine="transformers"PaddleOCR 仍然提供 PP-OCRv5 等 OCR 模型系列,以及 PaddleOCR-VL 1.5 等文档解析模型系列,而 Transformers 现在成为运行这些模型的受支持后端之一。
在 Hugging Face Spaces 上试用在线演示: https://huggingface.co/spaces/PaddlePaddle/paddleocr-3.5-transformers-demo
有哪些变化?
PaddleOCR 3.5 引入了更灵活的推理引擎接口。开发者可以通过 engine 参数选择后端,并通过 engine_config 传入特定于后端的选项。
在实践中,这意味着:
- 这些任务背后的流水线由 PaddleOCR 管理,因此开发者无需手动调用每个内部组件。
- Transformers 成为支持的推理后端之一,可用于运行受支持的 PaddleOCR 模型。
- 开发者可以通过
engine_config配置后端相关选项,例如dtype、设备放置以及注意力实现方式。
可将整体技术栈简单理解为:
| 层级 | 含义 | 示例 |
|---|---|---|
| 应用层 | 使用 OCR 和文档解析输出的应用 | RAG、智能体、Document AI… |
| 模型层 | OCR 和文档解析能力 | PP-OCRv5、PaddleOCR-VL 1.5… |
| 推理后端层 | 用于运行受支持模型的运行时 | Paddle 静态图、Paddle 动态图、Transformers |
此次发布主要影响的是推理后端层:PaddleOCR 继续提供 OCR 和文档解析能力,而 Transformers 则为受支持的 PaddleOCR 模型提供了另一个后端选项,并且与以 Hugging Face 为中心的环境自然契合。更广义的 Document AI 工作流仍由开发者和应用构建者掌控。
为什么这很重要
对于 RAG、Document AI 和文档智能体应用来说,难点往往从 LLM 之前就已经开始了。
开发者首先需要把 PDF、扫描文档、截图、表格、图表、公式以及复杂页面布局转换为可靠的结构化数据。如果这一步摄取(ingestion)质量不高,后续的文档 to be continued