前言
本地部署 OCR 工具可避免在线服务的次数限制和隐私泄露风险，同时节省付费成本。PaddleOCR-VL 是一款视觉 - 语言多模态文档解析模型，相比传统 OCR，它能理解文档结构和语义，支持多语言识别。
1 什么是 PaddleOCR-VL？
PaddleOCR‑VL 是 PaddleOCR 3.x 系列中的一款 视觉‑语言多模态文档解析模型，专门面向复杂文档场景设计。相比传统 OCR 仅能识别文字，PaddleOCR‑VL 通过融合视觉编码器与语言模型，实现了从'文字识别'到'图文理解'的跨模态能力。它不仅可以精准识别文字，还能理解文字在文档中的结构和语义，例如表格、公式、图表以及多栏排版内容。
该模型参数规模适中（约 0.9 亿），兼顾高精度和资源效率，因此既适合本地部署，也可在私有云或远程环境中使用。更重要的是，PaddleOCR‑VL 支持多语言文本识别（超过 100 种语言），在处理多语种混排文档时表现出色。凭借其跨模态能力，它不仅可以完成大批量文档解析，还能为知识抽取、智能问答等后续任务提供结构化输入，成为现代智能文档处理系统的核心技术。
简而言之，PaddleOCR‑VL 是一款专业的多模态文档理解模型，突破了传统 OCR 的局限，实现了文字识别、版式理解与语义分析的有机结合。
2 环境搭建及启动
由于官方开源代码方式部署环境较为复杂不适宜新手入门，本教程演示使用整合包方式，让流程更加简单。
将整合包下载下来后，进行解压，进入解压后的目录内，双击执行运行脚本：
执行脚本后，会打开终端窗口，检测电脑配置情况，以及下载模型。
启动完成后，会出现 URL 地址，且会自动在浏览器中打开，如果没有打开，手动访问如下地址即可：
http://127.0.0.1:7891
出现如上页面，PaddleOCR‑VL 整合包就启动完成啦！
3 简单使用 PaddleOCR‑VL
PaddleOCR‑VL 可以用来识别各种类型的文字，本部分将演示 印刷体、手写体和数学公式，其他类型就不一一全部演示了，通过这几个示例让你快速了解模型的核心功能和基本使用方法。
3.1 印刷体 OCR 识别
首先，准备一张要识别的图片。在页面上点击上传区域，或者直接把图片拖入上传区域进行上传。
文件上传后，点击下方的开始生成按钮。
点击开始后，可以按快捷键 Ctrl + Shift + Esc 键打开任务管理器，然后查看 GPU 的负载。
可以看到，当前显卡占用达到了较高比例，如果占用降下去了，说明 OCR 已经识别完成了，可以回到页面查看。
页面提示完整下载请去 outputs 文件夹，下载 md 文件和对应的 imgs 文件夹，我们可以打开项目目录，进入outputs目录下。
进入后可以看到一个文件夹，里面的子目录可以看到生成的文件和图片。
可以通过原图和 OCR 识别后的图片进行对比查看。
基本上没有发现什么识别错误，完美的识别出了印刷体图片上的英文内容！
3.2 手写体 OCR 识别
前面演示了印刷体识别，可能有的小伙伴会说，这个太正常了。那我们接下来识别一下手写体的图片。
让我们看看PaddleOCR‑VL是否能够识别出来吧！由于上传和生成步骤一致，这里就不做逐步演示了，直接展示结果吧。
可以看到，完美的把内容识别出来了，而且竟然没有任何错误！
3.3 数学公式 OCR 识别
前面演示了印刷体和手写体识别，可以看到，效果非常好，接下来我们来试试数学公式，看看能否识别出来。
直接来看看效果对比一下吧。
可以发现，除了原图中的回车符号，显示成了句号以外，以及开口方向的表格列和原图不符合，其他的以及完成正确！准确率极高！
