夜雨聆风
多模态大模型文档解析开源新进展:Qianfan-OCR模型架构、数据引擎、训练方法
继续跟进【文档智能】解析进展。在前期专栏中总结过，文档解析范式分三个：（1）基于ocr-pipeline；（2）基于layout+vlm的两阶段；（3）基于vlm端到端；Qianfan-OCR是一个4B参数量的端到端的多模态文档解析模型，解决了传统OCR流水线的误差传播、视觉上下文丢失、部署复杂等问题，其方法体系围绕端到端架构设计、Layout-as-Thought机制、大规模数据合成、四阶段渐进式训练四大核心展开，下面来看看方案。
模型架构
Qianfan-OCR基于Qianfan-VL的多模态桥接架构改造，将所有文档处理任务融入单一模型，遵循经典的Vit【Qianfan-ViT（高分辨率自适应编码）专为文档OCR的高密度文本、小字体、复杂布局设计，核心特性是AnyResolution动态分块】+MLP（两层带GELU激活的MLP）+LLM【Qwen3-4B：平衡复杂文档推理能力和生产级部署效率】架构。
核心方法：Layout-as-Thought机制
该机制解决了纯端到端OCR缺乏显式布局分析的痛点：流水线OCR可输出元素边界框、类型和阅读顺序，而传统端到端OCR直接生成结果，丢失了空间定位能力。
机制定义：通过⟨ think ⟩特殊token触发的可选思维阶段，模型在生成最终输出前，先生成结构化的布局表示（边界框、元素类型、阅读顺序），将布局分析转化为模型的“中间推理步骤”，而非独立的前置任务。
技术实现细节
（1）布局表示的结构化输出
触发⟨think⟩后，模型生成的布局信息包含三个核心字段，封装在<layout>...</layout>标签中：
-
<box>：归一化到[0,999]的边界框坐标，使用**<COORD_0>~<COORD_999>专用token**表示，相比纯数字编码减少50%的输出长度，降低推理延迟； -
<label>：元素类型标签，采用PaddleOCR-VL的25类精细标签体系，分为4组（文本元素12类、页眉页脚4类、图/表6类、公式3类）； -
<brief>：文本类元素的内容摘要，非文本元素（如图、表）的视觉描述。
（2）坐标token的优化设计
所有坐标均映射为单一专用token，而非数字序列（如“779”需3个token，< COORD_779 >仅1个），解决了复杂文档（单页60+元素）的布局推理延迟问题。
（3）对最终输出的引导方式
布局推理结果通过两种方式提升最终输出质量：
-
元素类型感知生成：识别到公式则用”$$”包裹，识别到表格则转化为HTML，识别到图片则插入正确位置的占位符； -
阅读顺序引导排序：按文档的自然阅读顺序枚举元素，解决多列、图文交错、脚注等场景的输出顺序混乱问题。
数据引擎
端到端模型的性能高度依赖数据，Qianfan-OCR针对OCR的专属任务设计了六大数据合成流水线，覆盖文档解析、KIE、复杂表格、图表理解、公式识别、多语言OCR，并通过多维度增强保证数据的多样性和真实性，最终生成支撑四阶段训练的大规模高质量数据集。
六大核心数据合成流水线
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
文档图像增强策略
针对OCR和布局解析的不同需求，设计两套增强流水线，均包含三级噪声+旋转增强：
-
三级噪声增强 -
文本噪声：笔画断裂、墨水渗透、字符错位； -
背景噪声：纹理、颜色漂移、水印； -
成像噪声：模糊、摩尔纹、阴影、曝光变化； -
旋转增强：90°/180°/270°旋转+±15°倾斜，解决票据、证件等非标准朝向的识别问题。
训练方法
Qianfan-OCR采用Qianfan-VL的多阶段渐进式训练方法论，核心是从通用能力到OCR专属能力的逐步强化，同时通过数据混合策略防止灾难性遗忘。
|
|
|
|
|
|
|
|
|---|---|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
实验性能
参考文献
-
Qianfan-OCR: A Unified End-to-End Model for Document Intelligence，https://arxiv.org/pdf/2603.13398
-
模型权重：https://www.modelscope.cn/models/baidu-qianfan/Qianfan-OCR
往期相关
多模态文档解析的开源项目模型技术方案都在《文档智能专栏》，如：
…