OmniDocBench v1.6
PulseAugur coverage of OmniDocBench v1.6 — every cluster mentioning OmniDocBench v1.6 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新型全模态解析器Youtu-Parsing-Omni可处理文本、图像、音频、视频
研究人员推出Youtu-Parsing-Omni，这是一种全模态解析器，能够将文档、图像、音频和视频转换为结构化的时空记录。该系统为每种模态使用一个编码器，在统一的坐标系中共享权重，并采用融合层进行跨模态注意力。统一的OmniSchema和自演化蒸馏程序OSAD允许解析器及其监督的共同演化。这个拥有50亿参数的模型在OmniDocBench和OmniParsingBench上取得了最先进的结果，尤其在音频和视频任务上表现出色，在图表解…
-
Youtu-Parsing-Omni 使用单一编码器统一多模态解析
研究人员推出了 Youtu-Parsing-Omni，这是一种统一的多模态解析器，能够将文档、图像、音频和视频处理成结构化的时空记录。该模型为每种模态使用单一编码器，并为所有任务使用统一的模式，采用跨模态融合和时间对齐。它在 OmniDocBench v1.6 等基准测试中取得了最先进的成果，并在 OmniParsingBench 上领先于开源模型，在一个紧凑的 5B 参数检查点上展示了在各种解析任务中的强大性能。
-
llama.cpp 更新，联邦式AI代理，以及新的OCR模型发布
llama.cpp 项目发布了 b12015 版本，支持包括 openEuler with ACL Graph 在内的各种平台和配置。另外，一篇题为“Federated Recommender Agents”的研究论文提出了一种新的 LLM 驱动的推荐代理框架，允许本地代理在不损害用户隐私的情况下进行协作。此外，MiniCPM-OCR 1.0 模型已发布，在文档解析基准测试中提供最先进的性能和高效的推理能力，并支持 vLLM 和 ll…
-
OpenBMB 发布 MiniCPM-V 4.7，一款可在 iPhone 上运行的 35B MoE 模型
OpenBMB 和 Face++ 发布了 MiniCPM-V 4.7，这是一款开源的多模态模型，可以在内存仅为 3GB 的移动设备上运行。该模型有两种版本：一个 35B 参数的混合专家（MoE）模型，每次推理激活 3B 参数；另一个是适用于极小型设备的 1.3B 参数模型。MiniCPM-V 4.7 在 MMBench、MMMU 和 OmniDocBench 等各种基准测试中表现出色，即使在承受显著的视觉压缩的情况下也是如此。该模型采…
-
新的GAD-RL方法提高了视觉语言模型中OCR的保真度
研究人员开发了GAD-RL，一种提高视觉语言模型中光学字符识别（OCR）保真度的新方法。该技术在训练后自适应地调节教师监督，根据学生模型的性能和响应分布进行调整。GAD-RL旨在防止模型将异常文本重写为合理但不正确的表达，从而提高转录准确性。该方法显示出显著的改进，当应用于Qwen3.5-2B模型时，在CHAOS-Bench上实现了59.92%的Micro Recall。
-
PolyOCR推出统一基础模型以实现高级OCR任务
研究人员推出了PolyOCR，这是一系列统一的OCR基础模型，旨在处理图像中涉及文本的多种任务，包括识别、定位、解析和推理。这些模型利用共享的指令遵循框架和大规模数据引擎进行监督。一项关键创新是能力引导策略优化（Competence-Guided Policy Optimization），它通过考虑教师的可靠性和能力差距来改进师生蒸馏。PolyOCR模型在多个基准测试中均表现出最先进或极具竞争力的性能，包括OCRBench v2.1、…
-
WeVisDoc框架提升文档解析准确性
研究人员推出WeVisDoc，一个旨在增强端到端文档解析模型鲁棒性的新颖两阶段框架。第一阶段拓宽了模型在各种语义、结构和外观类型上的覆盖范围，第二阶段则使用诊断探针来识别和纠正残留错误。这种方法使WeVisDoc-4B在OmniDocBench v1.6和PureDocBench上取得了最高分，优于其他端到端解析器，并在退化文档轨道上显示出显著改进。
-
Jina-OCR-v1 模型可在低预算 GPU 上实现高效文档解析
研究人员推出 Jina-OCR-v1，这是一款专为在低预算 GPU 上高效运行而设计的新型文档解析模型。该模型集成了 DeepSeek-OCR 架构和 FastMTP 推测解码头，该解码头递归共享草稿块以加速预测。Jina-OCR-v1 在 OmniDocBench v1.6 和 olmOCR-Bench 等基准测试中取得了高分，并在 NVIDIA L4 等硬件上展示了比传统解码方法显著的速度提升。该模型的训练涉及指令对齐、鲁棒性微调…
-
NaviDC-OCR框架通过变形感知学习增强文档解析
研究人员推出NaviDC-OCR，一个旨在增强数字和摄像头捕获文档解析的新框架。该系统通过引入变形感知学习来更好地处理几何失真，并采用自适应采样机制来处理复杂布局，从而解决了现有方法的局限性。NaviDC-OCR还采用内容-结构解耦学习策略来显式建模公式和表格，从而改进了结构化表示。该框架在OmniDocBench v1.6、Wild-OmniDocBench和PureDocBench等多个基准测试中展示了最先进的性能，并在ICDAR…
-
NaviDC-OCR框架通过变形感知学习增强文档解析
NaviDC-OCR是一个新的视觉语言框架，旨在通过解决处理变形的相机捕获文档的挑战和增强结构推理来改进文档解析。该框架结合了变形感知学习、自适应布局采样和内容-结构解耦的训练策略。实验表明，NaviDC-OCR在包括OmniDocBench v1.6和Wild-OmniDocBench在内的多个基准测试中取得了最先进的结果，并在ICDAR 2026 Sci-ImageMiner挑战赛中获得第一名。
-
PaddlePaddle发布HPD-Parsing模型，创纪录吞吐量 · 跟踪2个来源
PaddlePaddle发布了HPD-Parsing，这是一款利用分层并行解码范式的新型轻量级文档解析模型。该模型在OmniDocBench v1.6基准测试中取得了94.91%的新SOTA分数，并拥有4,752 TPS的峰值吞吐量。HPD-Parsing模型旨在通过协调全局文档结构并将局部内容生成分派到并发分支来克服传统解析器的顺序瓶颈，从而显著提高推理效率。
-
OvisOCR2 文档解析模型在基准测试中达到最先进水平 · 跟踪到 3 个来源
研究人员推出 OvisOCR2，这是一款新的 0.8 亿参数文档解析模型，能够以自然阅读顺序生成文档的 Markdown 表示，包括文本、公式和表格。该模型结合了监督微调、强化学习、蒸馏和模型融合进行训练。OvisOCR2 在 OmniDocBench v1.6 和 PureDocBench 基准测试中取得了最先进的成果，优于之前的流水线方法，并在具有挑战性的场景中展现出强大的泛化能力。
-
OvisOCR2：新的0.8B OCR模型将文档转换为结构化Markdown
OvisOCR2是一个新的0.8B参数端到端OCR模型，可将整页文档转换为结构化Markdown。基于Qwen3.5-0.8B，据报道它在OmniDocBench和PureDocBench等文档理解基准测试中取得了高分。该模型可在Apache 2.0许可下使用，并支持vLLM，但与其他OCR模型的实际性能比较仍在进行中。
-
HunyuanOCR-1.5通过更快的推理和增强的功能提升轻量级OCR VLM · 跟踪3个来源
研究人员推出了HunyuanOCR-1.5，这是一款专为光学字符识别（OCR）设计的增强型轻量级视觉语言模型。该模型将各种文档处理任务，包括解析、文本检测和信息提取，统一到一个端到端的系统中。HunyuanOCR-1.5通过DFlash适配实现了更快的解码，提高了效率，显著加快了Transformer推理和vLLM的性能。其能力通过Agentic Data Flow得到进一步增强，这是一个由代理驱动的系统，可以提高在古籍OCR和细粒度…
-
美国电力行业并购额达2000亿美元创纪录，受人工智能数据中心热潮推动；百度OCR模型开源
美国电力和公用事业部门的并购活动激增，今年前五个月的交易额已超过2000亿美元，这得益于对支持数据中心能源基础设施的需求。这一激增标志着与去年全年相比有了显著增长。与此同时，百度已发布并开源了其Unlimited OCR模型，该模型因其处理长文档的能力，在GitHub和Hugging Face等平台上迅速获得关注。
-
百度Unlimited OCR模型荣登榜首并迅速普及
百度发布并开源了其端到端OCR模型Unlimited OCR。该模型迅速在GitHub和Hugging Face上取得了顶级排名，在长文档解析方面表现强劲。Unlimited OCR在OmniDocBench v1.6基准测试中以93.92%的综合得分创下新纪录，并已获得快速采用和本地部署。
-
百度PaddleOCR-VL-1.6刷新文档解析SOTA
百度文心发布了其开源OCR工具的新版本PaddleOCR-VL-1.6。此次更新在OmniDocBench v1.6基准测试中实现了超过96.33%的准确率，超越了Gemini-3-Pro和GPT-5.2等主流模型。该模型在理解扫描件、弯曲文档和屏幕截图等复杂文档方面表现出显著的改进，使其成为文档数字化的领先解决方案。
-
新基准和模型推动文档解析和表格提取发展
研究人员推出了新的基准和改进的模型，用于文档解析和表格提取。Dr. DocBench 专注于专家级别的文档解析，包括化学式和音乐符号等复杂结构，突出了当前模型的局限性。DTBench 提供了一个用于文档到表格提取的合成基准，评估 LLM 的推理和冲突解决能力。此外，PaddleOCR-VL-1.6 通过区域感知优化和渐进式后训练得到了增强，在 OmniDocBench v1.6 上取得了最先进的结果。
-
PaddleOCR-VL-1.6 在文档解析领域创下新的SOTA记录
PaddlePaddle 发布了 PaddleOCR-VL-1.6，这是一款先进的文档解析模型，在包括 OmniDocBench v1.6 在内的多个基准测试中达到了最先进的准确率，得分为 96.33%。新版本采用了一个区域感知数据优化框架和一个渐进式训练后策略，以提高性能，特别是在识别表格、古籍和罕见字符方面。该模型架构与其前身 PaddleOCR-VL-1.5 保持兼容，便于集成。