PaddleOCR-VL-1.6 开发场景代码 OCR 微调模型
本模型基于 PaddleOCR-VL-1.6 微调，面向 IDE、终端、Traceback、配置、Git diff、文档代码块、API 表格和多区域开发截图中的结构保真 OCR。当前模型版本为 v6，并作为 PaddleOCR 全球衍生模型挑战赛决赛冻结方案。
在线体验：PaddleOCR-VL 开发场景代码 OCR Demo。Space 使用 CPU 免费硬件时会降低 token 上限以控制等待时间，正式 Benchmark 以本地 GPU 参数为准。
Demo 实测
图中一次 CUDA 推理耗时 20.4 秒，使用 max_new_tokens=4096、repetition_penalty=1.08、max_time=90s、run_timeout=120s。
使用方法
推荐提示词：
<image>OCR:
正式推理参数：
max_tokens=4096
repetition_penalty=1.08
temperature=0
输出只应包含图片中的可见文字，不应解释、总结、补全或修复代码。不同提示词和采样参数可能显著改变输出风格与 Benchmark 结果。
训练概况
- 基础模型：
PaddlePaddle/PaddleOCR-VL-1.6。 - 微调方式：LoRA 后导出合并模型。
- 训练提示词：
<image>OCR:。 - 最大序列长度：16384。
- 训练快照：1102 条开发场景 OCR 样本。
- 数据范围：IDE、终端、报错日志、配置文件、diff、文档代码块、API 表格及困难画面。
| 组成 | 数量 | 来源与处理 |
|---|---|---|
| 混合截图 | 436 | 联网采集的合规公开开发截图，经二次加工，以及项目作者手动截图 |
| 代码渲染图 | 258 | 代码、配置、命令、日志和文档片段的本地渲染图 |
| 人工筛选批次 | 360 | 388 张候选经模型分类、人工筛选和审计后保留 |
| 人工转写补充 | 48 | 受研究用途许可约束的 IDE 候选经人工转写和筛选 |
新批次采用“项目作者准备—第一模型预标注—第二模型复核—项目作者终审—脚本审计”的流程。模型结果只作为草稿或差异意见，不直接成为最终真值。训练数据不随模型或本仓库发布；公开截图和第三方素材仍受其原始许可约束。冻结审计中训练集与 304 题测试集图片 SHA-256 重叠为 0。
完整来源、人员职责、终审规则和测试集隔离说明见 决赛最终版训练数据构建报告。
Benchmark v5.2
Benchmark v5 内容版本 5.2 共 304 题，覆盖 P01-P09 九类开发场景和 simple、medium、hard 三档难度。模型 v6 按正式参数完成 304/304 推理，并使用 tencent/hy3:free、reasoning 关闭的统一六维裁判口径计分。
| 指标 | 结果 |
|---|---|
final_score_v5 | 58.4427 |
| 原始积分 | 60.3374 |
| 类别加权分 | 72.8633 |
| 全局样本均值 | 73.3494 |
| 严格可用率 | 38.1579% |
| 完成率 | 99.0132% |
| 安全分 | 90.7895% |
| 平均 NED | 0.1744 |
LLM 裁判存在约 ±0.5 的展示误差。v5.2 不应与 v4、其他内容版本或不同提示词组直接混排。完整规则与对照结果见 GitHub Benchmark v5。
适用场景
- 从 IDE、终端和调试工具截图中提取可搜索文本。
- 转写配置、日志、Traceback、diff 和 API 表格。
- 为开发文档归档、问题排查或辅助标注提供 OCR 草稿。
局限性
- 复杂 API 表格、长 Traceback、多区域界面和深层嵌套配置仍可能发生阅读顺序或结构错误。
- 极小字号、模糊拍屏、压缩伪影和罕见符号会降低准确率。
- 模型可能漏字、误认符号或重复文本；重要输出必须人工复核。
- 本模型用于转写，不应视为代码生成、代码修复或安全分析工具。
许可
模型权重和仓库代码按 Apache License 2.0 发布。第三方训练素材不随模型重新分发或重新授权，仍受各自许可和使用条款约束。
致谢
感谢 PaddleOCR 与 PaddlePaddle 社区提供基础模型、工具链和赛事平台。