PaddleOCR-VL采用“两阶段”架构，提升复杂文档解析的效率与精度。第一阶段由PP-DocLayoutV2负责布局分析，第二阶段由PaddleOCR-VL-0.9B进行内容识别。该设计通过专业模型分工，有效解决布局理解与内容识别的挑战，实现高效、稳定的文档处理。

IBM发布了Granite-Docling-258M，这是一个开源视觉语言模型，专注于文档转换，能够准确提取表格、代码和公式，并生成结构化表示。与前版本相比，该模型在布局分析和OCR方面有显著提升，并支持多语言，旨在提高文档处理的效率和准确性。