Все привыкли, что если скормить ИИ-агенту кривую фотку с экрана монитора или мятый чек с плохим светом — он начинает галлюцинировать. Обычные OCR (распознавалки текста) типа Tesseract ломаются на первом же блике.
Китайцы из Baidu решили эту проблему и выкатили PaddleOCR-VL-1.5.
Это ультра-легкая VLM (всего 0.9 млрд параметров), которая заточена под хардкорный "дикий" парсинг. Она жрет всё:
• Фотки с экрана (даже с муаром и бликами).
• Мятые, кривые и перекошенные документы.
• Круглые печати на договорах.
• Таблицы, которые переносятся с одной страницы на другую (она сама их склеивает).
Влияние на рынок:
Если вы делаете B2B SaaS для бухгалтерии, логистики или просто бота, который просит юзера "пришлите скриншот оплаты", — выкидывайте платные API и старые библиотеки. Эта штука разворачивается локально и работает в разы точнее. Профессия "человека, перепечатывающего данные с накладных" официально умерла.
Как развернуть у себя локально (Python):
Шаг 1. Ставим либу (нужен PaddlePaddle 3.2.1+):
pip install -U "paddleocr[doc-parser]"
Шаг 2. Парсим документ в три строчки кода:
from paddleocr import PaddleOCRVL
pipeline = PaddleOCRVL()
# Кормим ссылку или локальный путь к картинке
output = pipeline.predict("receipt_photo.png")
# Сохраняем результат в красивый Markdown
for res in output:
res.save_to_markdown(save_path="output")
Она сама достанет таблицы, сохранит форматирование и вытащит текст с печатей. Работает даже на слабом железе.
🔗 Забираем на HuggingFace: PaddlePaddle/PaddleOCR-VL-1.5
Status: Scanning crumpled receipts...