PaddleOCR VL

PaddleOCR VL 属于视觉语言（VL）方向的 OCR 类模型，核心任务是把图像里的文字与版面信息读出来，并以文本形式返回。本站记录其输入模态为 text 与 image，输出仅为 text，这意味着它适合承担「看图出字」的环节，而非图像生成或多模态对话创作。上下文窗口与单次最大输出均为 16384 tokens，前者决定单次能送进多少图文内容，后者决定一次能吐出多长的识别结果，整页文档或中等长度的结构化输出可以放在一次调用里完成。模型提供附件输入与温度调节两项能力：附件输入对应图片上传，温度调节则让调用方在「稳定复现」与「适度灵活」之间取舍，做批量识别时通常把温度调低以保持一致。权重开放是它的另一项特征，团队可以自托管以控制数据流向，也可以直接使用托管接口省去部署成本。需要说明的是，本站未收录该模型的公开跑分，具体精度与鲁棒性需以自有样本实测为准，公开资料较少，不宜直接套用其他 OCR 模型的结论。

选型建议需要低成本、可自托管的图像转文本能力时选它；若要求可验证的高精度跑分、超长文档一次处理或图像生成，则不宜选它。

• 把扫描件与 PDF 页面转成可编辑文本，用于档案电子化
• 识别发票、票据与表单字段，接入财务或报销流程
• 提取截图、聊天记录图中的文字，做内容归档与检索
• 批量处理证件、名片等规整版面，输出结构化文本
• 自托管部署，在数据不出内网的前提下完成图像文字提取

整体是视觉语言架构，图像与文本一同进入模型，输出统一为文本序列，围绕文档与图像的文字理解任务设计。

• 结构图像与文本作为联合输入，输出只保留文本通道，因此推理链路聚焦在「读图成文」，不承担图像生成任务。
• 能力支持附件输入与温度调节，前者对应图片上传，后者用于在批量识别时压低随机性、在复杂版面时适度放宽。
• 披露权重开放，可自托管或走托管接口；参数量、视觉编码器细节等公开资料较少，本站未做进一步确认。

开源权重

是

在文档、票据、截图转文本这类任务上定位清晰，但缺少第三方跑分，性能强弱只能按任务形态做定性判断。

• 强项图文转文本是主路径，配合 16384 tokens 的单次输出上限，整页扫描件或较长的结构化结果可一次生成。
• 短板本站未收录任何公开跑分，识别精度、多语种与小字体表现无法量化；16384 tokens 的上下文对超长文档仍需切分。
• 适合版面相对规整、以文字提取为目标的场景，例如票据、表单、证件与截图；不适合需要图文混排生成或复杂推理的任务。

输入与输出同价，均为 0.02 美元/百万 tokens，在本站同类对比中处于最低价位区间，成本优势明显。

• 定位输入输出统一 0.02 美元/百万 tokens，属于低价档，适合高频、大批量的图像转文本调用。
• 横向对比Qwen3 VL 30B A3B Instruct 输入价高出 650%，GPT-3.5-turbo 高出 2400%，本模型在价格维度压力最小。
• 平台差价本站记录 models.dev 与 models.dev · novita-ai 两条报价完全一致，均为 0.02 美元/百万 tokens，暂无套利空间。
• 省钱输出与输入同价，长输出不会额外加价；批量任务可压低温度、控制单次输出长度，减少无效 token。

同一个模型在不同网关的报价可能不同。本页基准取官方口径 $0.02/M / $0.02/M（输入 / 输出，美元 / 百万 tokens），其余来源的差价在「相对输入价」列列出，供比价参考。

取上下文相近（约 0.5~2 倍）的同类主流模型；同厂商、同家族优先；价格差为相对本模型的输入价

• 口径本站未收录该模型的公开跑分，能力判断只能依据模态、上下文与输出上限等结构性信息，不构成精度承诺。
• 边界上下文 16384 tokens，超长文档需分片；输出仅文本，不支持图像生成；目前仅 1 家平台收录，渠道选择有限。

本页资料由多个公开来源交叉整理：按「官方目录 → 通用网关 → 开源仓库 → 中文资料」的优先级合并， 冲突时取优先级高的来源。价格单位是美元 / 百万 tokens，为各平台对 API 调用的报价，不含自部署成本。 资料由公开来源整理，不代表 AiTest 已对该模型或其收录中转站做过真实性、稳定性或安全检测。

本页的模型介绍、架构、性能与性价比解读为 AI 综合公开信息整理，部分未经本站逐项核实；规格、价格与跑分以本页数据字段为准。