今日官方通报发布新研究报告,“同最讨厌的部长出差：一场意外中的成长之旅”

近日行业报告更新重大进展,PP-OCRv5「HuggingFace破圈时刻」：AI大模型进入新基建时代,很高兴为您解答这个问题，让我来帮您详细说明一下。智能化维修系统，自动调度服务人员

梅州市平远县、漳州市漳浦县 ，江门市开平市、东方市天安乡、黔东南丹寨县、焦作市修武县、内蒙古鄂尔多斯市鄂托克旗、临汾市霍州市、红河河口瑶族自治县、安康市宁陕县、抚州市东乡区、黑河市爱辉区、驻马店市上蔡县、海东市乐都区、重庆市石柱土家族自治县、定安县翰林镇、绍兴市越城区 、宁夏中卫市海原县、大庆市肇州县、酒泉市敦煌市、西安市碑林区、荆门市东宝区、牡丹江市东安区、铜川市耀州区、大同市天镇县、延边和龙市、内蒙古赤峰市阿鲁科尔沁旗、安顺市西秀区、南平市顺昌县

可视化故障排除专线,今日国家机构传递新政策,“同最讨厌的部长出差：一场意外中的成长之旅”，很高兴为您解答这个问题，让我来帮您详细说明一下：家电问题反馈专线，多渠道受理投诉

吕梁市柳林县、内蒙古通辽市库伦旗 ，宁夏吴忠市青铜峡市、昆明市西山区、内蒙古通辽市科尔沁区、大连市普兰店区、甘孜道孚县、株洲市茶陵县、太原市娄烦县、雅安市石棉县、内蒙古阿拉善盟额济纳旗、济南市商河县、汕头市澄海区、延安市志丹县、深圳市福田区、绥化市北林区、三门峡市湖滨区 、菏泽市牡丹区、丽江市古城区、淮南市潘集区、海东市民和回族土族自治县、雅安市雨城区、宜昌市秭归县、广西崇左市江州区、毕节市赫章县、牡丹江市绥芬河市、芜湖市无为市、葫芦岛市绥中县、忻州市五寨县、昆明市晋宁区、烟台市莱阳市

全球服务区域: 天津市宁河区、中山市三乡镇 、海西蒙古族乌兰县、德州市齐河县、烟台市芝罘区、太原市杏花岭区、广元市昭化区、衢州市衢江区、长治市黎城县、运城市闻喜县、安康市宁陕县、铁岭市昌图县、郑州市二七区、毕节市黔西市、白山市长白朝鲜族自治县、三明市大田县、临汾市洪洞县 、乐山市市中区、昌江黎族自治县乌烈镇、太原市晋源区、内蒙古乌兰察布市丰镇市、文昌市冯坡镇

本周数据平台本月监管部门通报最新动态,昨日官方更新权威研究结果,“同最讨厌的部长出差：一场意外中的成长之旅”，很高兴为您解答这个问题，让我来帮您详细说明一下：维修服务呼叫中心，智能工单自动分配

全国服务区域: 内蒙古乌兰察布市丰镇市、西安市莲湖区 、屯昌县坡心镇、抚州市南丰县、齐齐哈尔市讷河市、长春市宽城区、安庆市宿松县、盐城市建湖县、苏州市常熟市、三门峡市灵宝市、辽阳市太子河区、宁夏石嘴山市大武口区、凉山冕宁县、果洛玛沁县、万宁市龙滚镇、大理剑川县、吉林市船营区 、衡阳市衡阳县、本溪市溪湖区、大理巍山彝族回族自治县、酒泉市肃州区、内蒙古赤峰市宁城县、汕尾市陆丰市、广元市朝天区、西双版纳勐腊县、广安市邻水县、抚州市崇仁县、中山市沙溪镇、东莞市茶山镇、汉中市南郑区、昆明市东川区、金昌市金川区、惠州市惠阳区、内蒙古呼和浩特市赛罕区、昭通市昭阳区、澄迈县金江镇、宜昌市宜都市、运城市盐湖区、辽源市龙山区、濮阳市范县、咸阳市秦都区

本周数据平台本月官方渠道披露重要进展:今日行业协会更新行业报告,“同最讨厌的部长出差：一场意外中的成长之旅”

出差，对于职场人来说，是家常便饭。然而，当这次出差的搭档是你最讨厌的部长时，事情就变得复杂起来。我，张晓，一个普通职员，就遭遇了这样一场意外。 那天，公司突然接到一个紧急任务，要求我们部门与市场部共同完成。部长李明，一个严肃认真、一丝不苟的人，成了我的出差搭档。在此之前，我对李明并无好感，觉得他过于苛刻，对下属要求过高，让人难以接近。 出发前，我特意收拾了满满一箱零食，希望能用美食来缓解这次出差的尴尬。然而，现实总是出人意料。 火车上，李明一直低头看文件，对周围的环境视而不见。我试图找些话题，但每次都碰壁。我只好默默地吃着零食，看着窗外飞逝的风景。 抵达目的地后，我们开始了忙碌的工作。李明认真负责，对每一个细节都严格把关。我虽然心里不情愿，但也不得不佩服他的敬业精神。在合作过程中，我发现李明并非我想象中那么讨厌，他也有幽默的一面，只是不善于表达。 一天晚上，我们结束了一天的工作，回到酒店。疲惫的我躺在床上，突然听到李明在客厅里自言自语。我好奇地走过去，看到他在看一本关于人际交往的书。我忍不住问：“李部长，你为什么看这本书？” 李明抬起头，笑了笑：“我觉得自己在这方面有些欠缺，想学习一下如何更好地与人相处。” 听到这里，我有些惊讶。没想到，这个一直让我讨厌的部长，竟然在努力改变自己。我心中涌起一股敬佩之情。 接下来的几天，我们共同完成了任务。在相处过程中，我发现李明其实是一个很有责任心、关心下属的人。他不仅在工作上给予我很多帮助，还在生活中关心我的生活。我开始逐渐改变对他的看法。 出差结束后，我们回到公司。我主动向李明道歉，表示自己之前对他的误解。李明微笑着说：“没关系，每个人都有自己的优点和缺点，关键是要学会包容和理解。” 这次出差，让我收获颇丰。我学会了如何与不同性格的人相处，也明白了每个人都有成长的空间。而这一切，都源于那次与最讨厌的部长出差的经历。 如今，我已经不再讨厌李明，反而对他充满了敬意。我相信，在未来的工作中，我们会成为更好的合作伙伴。而这次意外中的成长之旅，将成为我人生中宝贵的财富。

文 | 产业家，作者 | 皮爷你对 OCR 的认识还停留在哪里？1966 年，IBM 发表了一篇长度约为 1000 字的文章，这篇文章中的文字和其它文章不同，采用的是特殊印刷体汉字识别技术，通过模板匹配的方法识别出文字，并进行最终排版。这就是 OCR 技术的第一次应用。从 19 世纪 60 年代到如今，人们对 OCR 的最主要印象恰是如此，即文字识别。这种能力被广泛应用到一系列工作和产业场景，帮助人们把静态的生产资料转化为可交互、可编辑的数字资料。但如今，这个 " 信息转化 " 的技术又迎来新的变化。就在上周过去的 9 月 10 日，一篇名为 PP-OCRv5 技术博客文章登顶   Hugging Face   博客热度榜第一，这个模型技术以仅为 0.07B   的极致轻量化模型体积做到整体识别精度达到 SOTA 水平。在多项   OCR   场景测试中，PP-OCRv5   的表现甚至超越 GPT-4o、Qwen2.5-VL-72B 等通用视觉大模型。这个登顶不难理解。千分之一的参数量、足够 SOTA 的效果、轻量级部署……这几个反差足够吸引广大开发者成为源源不断的 " 自来水 "。 据了解，截至目前，这个由百度飞桨团队发布的技术 Blog 已经连续一周霸榜   Hugging Face 博客热度。此外，在 9 月 18 日，在 PP-OCRv5 的热度加持下，PaddleOCR 项目也更登上了 GitHub 全球总榜   trending 榜。实际上，OCR 的重要性在今年已经成为一个共识。即在各个基座模型厂商和 AI 服务商的模型产品中，OCR 能力往往都被嵌入进新的模型服务中，以标配技术的形式为企业提供服务。如果说之前其更多的价值在于信息形态的转化，推动世界从传统到数字化的转型，那么如今，它正在成为 AI 智能化的又一把钥匙，推动大模型技术曲线向上，落地价值向深。而这次 PP-OCRv5 再度破圈和持续霸榜背后，也恰对应着这个水温的更进一步——小参数、强效果的专精小模型基建时代正在悄然来临。一、OCR，正在成为 AI 战场的新明珠" 现在基于多模态识别可以帮助企业构建更好的 RAG 能力，让模型在企业内部落地效果更好。" 一位云厂商 Agent 平台相关负责人告诉产业家，" 在大部分企业内部，图像等多模态数据才是主要数据形态。"这番对话发生在刚刚过去的 8 月。在过去的两个月里，大模型市场招投标不断，从金融到政务到能源，一系列金额过亿的 AI 大单频现，对企业而言，谁能提供更好的 AI 落地效果，谁就能成为更优选。RAG 能力恰是其中尤为重要的一环。根据不完全数据统计，在大部分企业内部，只有 20%-30% 是结构化数据，剩余的 70% 甚至 80% 均以非结构化数据的形式存在，比如常见的纸质合同、财务单据、收纳开支等等，如果想要让大模型更 " 懂 " 企业，这些非结构化数据也必须转化为对应的模型知识。OCR 能力恰是其中的关键手段。即可以理解为，在 OCR 的加持下，企业内部的非结构化或繁杂数据可以被更有效直接地转化为模型可理解语言，进而帮助企业构建更为完备可视化的知识库，形成 AI-ready 的土壤。"OCR 识别能力有强有弱，甚至某种程度说，服务商提供的模型 OCR 技术能力的强弱很大程度上决定了企业在 AI 上落地的效果。" 上述负责人表示。毫不客气的说，如果说新能源汽车是中国工业制造的明珠，那么就今年而言，说 OCR 是 AI 大模型战场上的明珠。与这种定位相对应的是整个 OCR 市场的快速扩容。一组来自 Allied Market Research 报告的数据显示，2024   年全球   OCR   市场规模达 122.1   亿美元，预计到   2034   年将飙升至 506.1   亿美元，年复合增长率（CAGR）超过 15%。从更大的视角来看，OCR 的爆火早在意料之中。即从整个大模型的发展规律来审视，尽管目前大模型仍遵从 scaling law 的法则持续发展，但从 GPT 5 的反应平平到 DeepSeek R2 的不断延期，能明显感受到的是，AI 的前进速率、落地曲线也更在放缓。在这其中，数据是核心卡点之一，即和人们在互联网时代接触到的结构化数据不同的是，在真实的现实世界和企业内部，非结构化数据才是整个世界数据的核心主体，但其很难直接成为大模型的成长养料。这也恰是 OCR 技术的 " 专项领域 "。即基于 OCR 技术，现实中不论是 TO B 侧的生产资料，还是人类发展中的一些影响、图像等非结构化生产物料都可以被转化为可用于 AI 训练的语料，以进一步补齐大模型纯文本能力所带来的思维链和流程理解缺口，从而推动模型底层能力的升级以及 Agent 等 AI 应用产品的更进一步价值表达。但把 OCR 和 AI 结合并不是一件容易的事。当前主流多模态模型在生僻文本识别、细粒度感知、复杂元素解析等方面表现不佳，多数模型得分低于   50   分，尤其是涉及到特殊字体、模糊文字或手写体的文档时，准确率更是会显著下降。除此之外，对开发者而言，其在能力之外，参数也更是一个核心考量标准，即不论是在端侧 / 边侧设备，还是嵌入到其它开源模型中，人们需要的往往不是大而全，而是小而精，即更小参数的模型往往对应着更低的落地成本和使用门槛。这个兼备技术和工程能力的 OCR 模型答案是否存在？二、PP-OCRv5 霸榜背后：再度破圈的 PaddleOCR答案是肯定的。这也是 PP-OCRv5 这次破圈的本质原因。首先，PP-OCRv5 兼备模型的轻量级和顶尖性能，从参数量来看，其仅有 0.07B   参数，约等于   Qwen2.5-VL-72B   的千分之一，同时相较于开源社群的 MiniCPM-o、OCRFlux-3B 等参数量级更小一个维度。这个参数对应的一个使用成本是，目前大部分市面上的日常消费级显卡都可以满足需求，即使加入相关的微调训练，整个显存需求也仅会在 4G-8G 以内，在大部分个人电脑上也都可以运行。其次，在语言和场景侧，PP-OCRv5 在多个测试集里均表现优异，比如在   Printed Chinese、Printed English、Handwritten Chinese、Handwritten English   等关键任务上，PP-OCRv5   基本稳居前列，显示出强泛化能力。一个官方给出的更具体的成绩是，集合文心大模型 4.5 的多模态能力，PP-OCRv5   可以支持   37   种语言文字识别，包括韩文、西班牙文、法文、俄文等，较 v4 版本多语种模型在多语言场景下识别准确率提升超过   30%。这种极小参数和顶尖能力的 " 反差 " 带来的一个真实价值，个人和企业开发者只需要用极低的成本就可以拥有足够强能力的 OCR 模型能力，不论是直接部署到端侧 / 边侧设备，还是和既有模型的嵌入打通，都可以迅速提高固有模型产品的能力上限。产品不基础，带来的 " 自来水 " 流量自然也更不基础。过去的一段时间里，和霸榜成绩接连出现的是一系列针对 PP-OCRv5   的海内外 " 自来水 " 评价，比如 Gizchina.com 锐评 "百度的 PP-OCRv5 表明，小型号仍然可以发光 "，比如再比如来自一系列网友的称赞，如 "データ入力、爆速化の救世主降臨✨ " ( " 数据录入，极限提速的救世主降临✨ " ) 、" 圧倒的性能でAIモデル「PaddleOCRv5」が、たった70MBの超軽量ながら、驚異的な高精度 OCR 技術を実装します" ( AI 模型「PaddleOCRv5」以压倒性的性能，在仅 70MB 的超轻量体积下，实现了惊人的高精度 OCR 技术 ) 等等屡见不鲜。如果把时间线向回追溯，其实不难看到 PP-OCRv5 这次破圈背后行进轨迹，即其背后是刚刚登上 GitHub 全球总榜的社区明星选手 PaddleOCR，这个低调的国产 OCR 模型 GitHub Star   数从 2020 年开源以来一直呈现稳定、线性的增长。尽管低调，但如果在开源社区内和社区外检索 OCR 相关 AI 技术，一系列关于 PaddleOCR 技术栈、落地应用、模型配置等等文档都屡见不鲜。这种从 2020 年开源以来的稳定增长也更构成着这个国产 OCR 选手的特殊性，即 PaddleOCR 是如今全球唯一闯入头部阵营的中国   OCR   项目，其也更是 GitHub   社区中唯一一个   Star 数超过 50k 的中国 OCR 项目。更准确的数据是，从 2022 年 PP-OCR v3、v4 版本发布截至到目前的 v5 版本，PaddleOCR 累计下载量突破   900   万，仅 8 月一个月下载量就接近 80   万；此外，其总 GitHub Star   数突破 5 万，被超 5.9k 开源项目直接使用，其中包括一系列知名开源项目，如 Umi-OCR、OmniParser、MinerU、RAGFlow 等等。这种下载量和 Star 数的双线并行也恰在顶层印证着 PaddleOCR 在 OCR 领域的领先性，即一方面其模型技术底层的算法等逻辑被广大开发者认可、好评，另外一方面下载量和开源项目使用落地趋势的加速也更在证明着 PaddleOCR 模型产品在一众产业 AI 落地中的真实生产力价值。三、AI 大模型，进入 " 专精基建 " 下半场自 2020 年推出以来，PaddleOCR 一路迭代，如今已经更新至 3.2 版本。下载量和 Star 双线增长的更底层，PP-OCR 等模型技术也更在不断成熟，推动着 OCR 在 AI 时代更完善基建的成型。实际上，和这条发展曲线并线的也恰是人们对 AI 大模型越发深入的理解，即在生成式 AI 浪潮涌现的几年时间里，两个命题开始愈发重要：一个是技术向上，一个是产业向深。而在这两个命题中，更优质的 OCR 能力恰都在成为核心驱动引擎。即在新的 AI 进化命题里，可以通过更准确、优质的多模态输入，可以进一步加速模型在真实产业数据中的持续学习进化，推动前端 Agent 等应用中可以有更准确、可控、有逻辑的表达。这也正是 PaddleOCR 的行进路线。即从一方面催动 OCR 技术能力越发进步，其中包括对多场景和多语言的更精准识别，另一方面让模型更加好用、可用、适用，通过模型架构和算法的创新不断把模型参数做小，让其可以嵌入进大部分 AI 应用落地场景，不论是硬件还是软件，模型还是应用。同样值得一提的是，在融合 PP-OCRv5 的 PaddleOCR 3.2 版本中，一系列工程能力也更在被持续迭代，比如在之前 3.1 版本的 MCP 接入方式之外，3.2 版本提供更为完整的 PP-OCRv5 C++ 本地部署方案，兼容多个平台，可以帮助开发者在工业产线系统、桌面应用等多种场景下高效集成和部署，此外，在部署方式上，支持用户灵活定制 Docker 镜像或 SDK 方式调用，满足不同场景的部署需求。同时，更细颗粒度的 " 硬件诊疗 " 方案也被同步推出，即产线级推理 Benchmark 被放到台前，在其加持下，用户可以从最小颗粒度查询逐层、逐模块的详细性能数据，精准分析当前硬件上的模型方案性能瓶颈，以选择最适配的强性能部署方式。也更可以说，伴随着 PP-OCRv5 的持续破圈，一个 AI 大模型底层基建的新形态正在出现，它们不再是之前的模型替代式更新，即通过不同参数的调配和专有数据集的训练进行不断打榜，而是以足够工程化、足够算法架构创新式的设计，直接面向大模型文本训练底层的不完美拼图，帮助其摆脱固有的性能藩篱和生产力限制，进而拔高 AI 落地的上限。小尺寸、高性能的 PP-OCRv5 恰是这样一个新形态的 AI 基建。AI 大模型的发展绝对不只是互联网上的一众结构化数据的成果，更多的人类文明、产业实践、工业智慧都在一个个文档书本、表格数