paddlepaddle/paddleocr は PDF と画像を LLM 活用に適した Markdown・JSON の構造化データへ変換する OCR ツールキットである。最新リリースは v3.7.0 だが、このリリースの変更点は与えられた情報に含まれていない。
文字認識（OCR）だけでなく文書構造まで読み取る。PP-OCR は文字領域とその内容を検出し認識し、PP-Structure は文書レイアウト、表、数式を解析してテキスト座標、表セル座標、構造化結果を出力する。つまり文書を理解して構造化データに変換する文書 AI エンジンである。得られた Markdown・JSON は LLM に渡しやすい形であり、画像と文書の間の隔たりを埋めることがこのツールキットの目指すところである。
README では PaddleOCR-VL-1.6 と PP-StructureV3 で文書をパースし、PP-OCRv6 は中国語・英語・日本語と 46 のラテン文字言語を単一モデルでサポートすると説明している。リポジトリの説明には 100 以上の言語を扱うと書かれており、実行バックエンドとして NVIDIA GPU、Intel CPU、Kunlunxin XPU が並ぶ。2020 年 5 月に 만들어진 저장소이며 주 언어는 Python, 라이선스는 Apache-2.0이다. GitHub 스타는 91455개다.
ただし性能の根拠は与えられた情報にない。技術・品質・斬新性のスコアは空で、モメンタムスコアのみ 6.9 が残っている。対応言語やバックエンドの一覧は精度や処理速度の代わりにはならないため、v3.7.0 で何が改善されたのか、他の OCR ツールと比べて精度がどの水準なのかは、リリースノートを直接確認して初めてわかる。