就是为什么拍照识别文字，OCR早就做得很准了，但让AI真正理解一个文档的版式，哪里是标题，哪块是正文，哪一部分是表格，哪个又是图片，还是很难？
这个问题的原因来自于版式理解比文字识别复杂太多。
一页纸质文档扫描件进来，表格有边框线，图片位置也不规则，我们一眼就能分清这些，但AI要判断这是什么区域、哪个是标题，要分好几步走，准确率和速度都上不来。
更关键的是，有些真实拍照场景并没有那么理想。
用到的纸张可能会弯曲，或者有褶皱，甚至存在透视角度，拍摄时还可能出现倾斜，阴影，局部模糊等等这些问题，如果模型只训练过干净的扫描件，一旦遇到真实拍摄的文档，就很容易判断失准。
但百度RT-DocLayout改写了传统版面解析逻辑，使得文档解析的版面分析模块正式进入「实时像素级理解」时代，不仅能够实现版面分析一次性预测，还能在参数量与推理速度上拥有行业领先优势，把复杂的版式识别难题直接一步解决。
而且参数只有33M，推理速度132.1 FPS，直接拉到SOTA水平。
这个数字意味着什么？
是实时。不是几秒出结果的实时，是摄像头拍一下，AI立刻告诉你这是论文格式，这是发票，这是合同。让模型不只看平整扫描件，是真正能够看懂真实拍摄的文档。
在版式分析这个赛道，这两年其实在快速升温。
PDF转文档、票据识别、合同解析，这些场景本质上都在抢一个能力：就是谁能又快又准地把「纸质内容结构化」，谁就能拿到下一轮文档智能化的入场券。
国内外都在大力投入这个方向。
但行业现状有个痛点，大多数方案在版式分析拖后腿，整体 pipeline 就快不起来，很多时候，不是识别文字难，是认出这是几号标题，那块是表格的第几行这类判断把效率拉下来了。
RT-DocLayout的意义在于，它把版式分析从慢模块变成了快模块，33M参数做到SOTA，说明轻量化和高性能可以兼得，不需要堆参数量和堆算力就能领先。这其实对于实际部署场景，就是那些移动端、嵌入式设备，和边缘计算是真正的工程化优势。
RT-DocLayout入选了ECCV 2026，是百度OCR、PaddleOCR的最新技术进展。
文档数字化的最后一公里，可能就要靠这类技术打通，当版式理解从秒级进入毫秒级，从离线处理变成实时感知，AI处理文档的方式会发生根本性变化。
