不知道你们有没有好奇过一个问题，OCR识别为什么特别容易翻车？

比如我之前出差，不方便打印的时候会用手机扫描合同，想让 OCR 工具帮我把内容提取出来。

结果扫描出来以后，表格数据全乱，有几行直接被吞掉，阅读顺序也对不上。

我之前一直以为是 OCR 识别能力不行。

直到最近我看到百度 PaddleOCR 团队发的一篇论文，才知道问题出在识别前的那一步——版面分析。

这篇论文还入选了 ECCV 2026，PaddleOCR 团队提出了一个叫 RT-DocLayout 的模型，只有33M，专门来解决上面说的这个问题。

所有对OCR领域感兴趣的朋友，都推荐阅读一下这篇论文原文。

1刚刚开头我们聊到了，大部分OCR翻车是因为版面分析。

那什么是版面分析呢？

你可以把它理解为文档解析的导航系统。它的任务是先搞清楚一张图片里，哪块是标题、哪块是正文、哪块是表格，然后告诉后面的识别模块该按什么顺序、用什么方式去处理。

如果这一步就判断错了，后面不管用多强的识别模型都白搭。

那版面分析为什么会出错？

在理想情况下，比如实验室环境里，其实不太会。给一张干净的 PDF 截图、平整的扫描件，现在大部分模型处理起来都还行。

但现实世界的文档，很少长这样。

你在会议室里，随手拿手机拍一份文件，纸可能是弯的，拍摄角度也可能是歪的，书页中间可能有弧度。在光线不好的地方拍，画面还会有阴影和反光。

传统的版面分析大多依赖矩形框来标注每个元素的位置，这在平整的扫描件上当然没问题。

但当纸张弯曲的时候，表格本身也跟着弯了，矩形框就没法精确贴合，框里会混进旁边的文字，框外又可能漏掉表格的一部分。

框里混进不相关的内容，框外又漏掉一部分，后面的识别自然就跟着错。

这个问题被讨论了很久，很多团队的应对方式是在后面加补丁，做几何矫正的预处理，加后处理的规则引擎。

但 RT-DocLayout 的思路不同：它直接在架构层面把矩形框扔掉了。

2RT-DocLayout 做了一件很关键的事：它不再用矩形框来圈定版面元素，而是直接生成像素级的分割掩码。

你可以这样理解，以前的模型是拿一个方框去套住页面上的每个区域，而 RT-DocLayout 是拿一支笔沿着每个区域的实际轮廓去描边。

纸张弯了，描出来的边界也会跟着弯，边界始终是精确的。

更让我觉得巧妙的是，它不只是换了一种标注方式。

RT-DocLayout 是一个端到端的统一架构，基于高效检测器 RT-DETR 构建，在单次前向传播中同时完成四件事：版面元素分类、元素检测、像素级分割，还有阅读顺序预测。

以前这些任务是流水线式串联执行的，每个环节的误差都会往下游传递。

但RT-DocLayout 把它们全部塞进同一个 Transformer 框架里，一次性输出所有结果，从源头上减少了中间环节带来的偏差。

3但我个人觉得，这篇论文最值得聊的点，是它的数据增强策略。

因为你光有架构还不够，模型要想在真实世界好用，训练数据得跟真实世界对得上。

RT-DocLayout 做了一个叫物理空间感知数据增强的设计。

它把真实拍摄中的几何变化拆成两个独立的维度来模拟：

第一层叫内在表面形变。模拟的是纸张本身的弯曲和褶皱，比如书页沿着书脊的自然弧度，或者文件被折过之后留下的弯折痕迹。

第二层叫外在投影变换。模拟的是拍摄时的透视效果，比如你从侧面拍、从上方拍、手机没端稳拍歪了，这些都会让画面产生几何变形。

两层叠加，就能从标准的平面标注数据里动态合成出各种真实场景的变形样本。模型在训练阶段就已经见过了弯曲、倾斜、透视变化的文档，到了实际使用时自然更扛得住这些干扰。

这个设计背后的思路其实和行业里很多团队的做法正好相反。

现在主流做法是：模型在真实场景下表现不好，那就去采集更多真实数据。但采集成本高，标注更贵，而且你永远采不全所有变形情况。

RT-DocLayout 的思路是：不去穷举真实场景，而是去建模真实场景背后的物理规律。这个思路对很多做工业落地的团队都有借鉴价值。

4那效果到底如何？

RT-DocLayout 的参数量只有 33M，推理速度达到了 132.1 FPS，这意味着版面分析这个环节已经可以做到实时处理了，不再是文档解析流水线里的瓶颈。

再说精度。

在 OmniDocBench v1.5 基准测试上，RT-DocLayout 搭配 PaddleOCR-VL 的整体得分达到 94.50，是目前所有已评测方案里最高的。

在更贴近真实世界的 Real5-OmniDocBench 上（这个基准测试也是百度同期发布的，同样入选了 ECCV 2026），覆盖了扫描、弯折、屏摄、复杂光照、倾斜拍摄五种真实物理场景，Overall 达到 92.05，弯折和倾斜场景的优势最明显。

而且它不挑搭档，和 MonkeyOCR、MinerU2.5、Dolphin-v2 这些不同架构的识别系统组合时，都能带来稳定提升。这说明它输出的版面结构信息确实是可靠且通用的。

这件事给我最大的启发，不只是技术本身。

很多时候我们讨论文档解析能力时，注意力容易被识别精度和模型参数量这些指标吸引。

但RT-DocLayout 的思路是回到问题的起点，在最前面这一步就把版面理解做到足够精确和鲁棒。

用更轻的模型、更快的速度、更准的分割，来支撑起整条文档解析流水线的稳定性。

这可能也是一种值得借鉴的工程思维：很多系统性问题的根源，不在最后那个暴露问题的环节，而在第一个没做好的环节。