PaddleOCR 3.5: теперь OCR запускается на движке Transformers

Когда OCR встречает Transformers

Есть задачи, которые выглядят скучно на слух, но при этом ломают половину проектов в продакшене. Распознавание текста и парсинг документов — именно из этой категории. Любой, кто пытался собрать RAG-пайплайн поверх PDF-архива или автоматизировать обработку сканов, знает: всё начинается не с LLM, а с того, насколько точно ты вытащишь текст из бумаги. И вот здесь PaddleOCR 3.5 делает интересный шаг — он официально подружился с экосистемой Hugging Face.

18 мая 2026 года команда PaddlePaddle опубликовала обновление, которое добавляет Transformers в качестве поддерживаемого бэкенда для инференса. Звучит как техническая деталь, но на практике это меняет то, как разработчики встраивают OCR в свои стеки.

Что изменилось архитектурно

До версии 3.5 PaddleOCR работал преимущественно на собственном движке Paddle — статическом или динамическом графе. Теперь архитектура стала трёхслойной и явной: есть слой приложений (RAG, агенты, Document AI), слой моделей (PP-OCRv5, PaddleOCR-VL 1.5) и слой бэкенда инференса — и вот именно в последнем появился Transformers как полноправный вариант.

Переключение происходит буквально одним параметром: `engine="transformers"`. Это элегантное решение. Разработчику не нужно вникать во внутренние компоненты пайплайна — PaddleOCR сам управляет оркестровкой моделей, а Transformers берёт на себя низкоуровневый инференс. Дополнительно через `engine_config` можно задавать `dtype`, размещение на устройствах и реализацию механизма внимания.

Мне нравится, что авторы не стали делать из этого «революцию» — они честно говорят: это про слой бэкенда, не про модели и не про логику приложений. Такая прозрачность в документации встречается редко.

Зачем это нужно на практике

Главная боль Document AI — это не LLM, это всё, что происходит до него. PDF с таблицами, сканы с перекошенными страницами, формулы, схемы, многоколоночные layout'ы — всё это нужно превратить в структурированные данные прежде, чем отдавать в контекст языковой модели. Если на входе мусор, на выходе будет галлюцинирующий LLM с уверенным видом.

PP-OCRv5 — это серия моделей для распознавания текста, PaddleOCR-VL 1.5 — мультимодальная серия для парсинга документов. Теперь оба направления можно запускать через Transformers-бэкенд, что критично для команд, которые уже построили инфраструктуру вокруг Hugging Face Hub: кэширование весов, управление версиями, интеграция с `device_map` и квантизацией через `bitsandbytes`.

Сравнение с альтернативами

На рынке OCR-инструментов для разработчиков сейчас несколько сильных игроков. Tesseract — классика, но отстаёт по качеству на сложных документах. Surya от VikParuchuri неплохо работает с многоязычными текстами, но это скорее одиночный инструмент, а не пайплайн. DocTR от Mindee интегрируется с PyTorch и TensorFlow, но не имеет такой глубины в работе с таблицами и формулами.

PaddleOCR исторически выигрывал за счёт поддержки китайского языка и сложных layout'ов, а теперь добавляет к этому нативную интеграцию с Hugging Face. Это сильная комбинация для enterprise-задач.

Отдельно стоит упомянуть конкуренцию с облачными решениями — Google Document AI, Azure Form Recognizer, AWS Textract. Все они требуют отправки данных в облако, что для многих корпоративных клиентов неприемлемо. PaddleOCR с Transformers-бэкендом — это полностью локальный вариант, который теперь проще разворачивать на собственной инфраструктуре.

Установка и запуск

Технически всё достаточно прямолинейно. Для окружения с CUDA 12.6 нужно установить PyTorch под нужное железо, затем:

pip install "paddleocr==3.5.0" "paddlex==3.5.2" "transformers>=5.4.0"

Запуск через CLI выглядит так:

paddleocr ocr -i image.png --device gpu:0 --engine transformers

Через Python API добавляется `engine="transformers"` в конструктор `PaddleOCR`. Важно: требуется Transformers версии 5.4.0 и выше — это относительно свежее требование, так что проверьте версии в своих окружениях.

Живое демо доступно на Hugging Face Spaces — можно пощупать прямо в браузере без единой строчки кода.

Что это значит для российских разработчиков

PaddleOCR — это open-source проект, он доступен без VPN и ограничений. Hugging Face Hub в большинстве случаев тоже работает напрямую, хотя иногда требует прокси при скачивании весов. Сам инструмент бесплатный, лицензия Apache 2.0 — можно использовать в коммерческих проектах без роялти.

Для российского рынка особенно интересна поддержка кириллицы в PP-OCRv5. Это один из немногих open-source инструментов, который действительно хорошо работает с русскоязычными документами, а не просто формально их поддерживает.

Мой взгляд на этот релиз

PaddleOCR 3.5 — это не революция, но это умный шаг в правильном направлении. Команда не пытается переизобрести колесо, а делает существующий инструмент более совместимым с тем, что уже используют разработчики. Добавление Transformers как бэкенда снижает порог входа для тех, кто живёт в экосистеме Hugging Face и не хочет разбираться с особенностями Paddle-рантайма.

Мне кажется, именно такой подход — модульная архитектура с выбором бэкенда — станет стандартом для ML-инструментов в ближайшие пару лет. Никто больше не хочет lock-in на конкретный фреймворк. И то, что PaddlePaddle это понял и реализовал — хороший знак.