阿里开源文档解析模型:一个模型搞定 PDF 解析,公式、表格、手写体、信息图、乐谱全都行

Logics-Parsing 是阿里巴巴通义实验室开源的端到端文档解析模型，基于 Qwen2.5-VL-7B 视觉语言模型，通过监督微调（SFT）和强化学习（RL）训练而成。它能将 PDF 页面图像直接转换为结构化 HTML 输出，支持普通文本、数学公式、表格、化学结构式、手写中文等多种内容类型。

传统的文档解析方案要么是流水线拼接（OCR + 版面分析 + 表格识别 + 公式识别），模块多、误差累积；要么是端到端模型但对复杂版面束手无策。Logics-Parsing 用一个模型统一解决所有问题，在自建的 1,078 页基准测试中取得了 SOTA（最优）性能，甚至超越了 GPT-5 和 Gemini 2.5 Pro。

核心特性

1. 端到端，一步到位

• • 输入：PDF 页面图像
• • 输出：结构化 HTML
• • 不需要拼接多个模块，一个模型完成 OCR、版面分析、表格识别、公式识别、阅读顺序推断
• • 告别传统流水线的误差累积问题

2. 强化学习优化版面理解

这是 Logics-Parsing 的核心创新。模型训练分两个阶段：

• • 第一阶段：监督微调（SFT）——学习生成结构化输出的基本能力
• • 第二阶段：版面中心强化学习（RL）——通过精心设计的奖励机制，优化三个关键维度：
• • 文本准确性：OCR 识别精度
• • 版面定位：元素位置的准确性
• • 阅读顺序：多栏报纸、海报等复杂版面的正确阅读序列

3. 多种内容类型全覆盖

• • 普通文本：中英文混排，多栏、多段落
• • 数学公式：行内公式、独立公式块
• • 表格：复杂合并单元格、嵌套表格
• • 化学结构式：分子式、反应方程式
• • 手写中文：手写体识别
• • 所有类型统一在一个模型中处理，无需切换

4. 基准测试全面领先

在自建的 LogicsParsingBench（1,078 页，9 大类，20+ 子类）上的表现：

Edit 距离越低越好。一个 7B 参数的模型，在文档解析任务上全面超越 72B 的通用大模型和主流商业工具。

5. 已进化到 Omni 版本

团队已发布 Logics-Parsing-Omni，将解析能力从文档扩展到图像和音视频流：

• • 统一分类体系：覆盖文档、图像、音视频
• • 三层渐进式解析：整体检测 → 细粒度识别 → 多层级理解
• • 证据锚定机制：高层语义描述与底层事实严格对齐，实现”有据可查”的结构化输出

快速开始

1. 环境安装

conda create -n logics-parsing python=3.10
conda activate logics-parsing

pip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu124

2. 下载模型权重

# 从 ModelScope 下载
pip install modelscope
python download_model.py -t modelscope

# 或从 Hugging Face 下载
pip install huggingface_hub
python download_model.py -t huggingface

3. 运行推理

python3 inference.py --image_path 你的PDF图片路径 --output_path 输出路径 --model_path 模型路径

4. 在线体验

阿里提供了在线 Demo 平台，可以直接上传 PDF 页面图片体验解析效果，无需本地部署：

• • 在线 Demo：https://logics.alibaba-inc.com/parsing/

应用场景

场景 1：学术论文解析

传统痛点：论文 PDF 包含双栏排版、数学公式、表格、参考文献，传统工具经常把阅读顺序搞乱，公式识别错误

解决方案：Logics-Parsing 通过强化学习优化阅读顺序推断，双栏论文也能正确解析，公式和表格一并搞定

场景 2：化学/生物文献数字化

传统痛点：化学结构式是图像，传统 OCR 完全无法处理

解决方案：模型在训练中加入了化学公式数据，能直接识别分子结构式并输出结构化表示

场景 3：手写笔记/档案数字化

传统痛点：手写中文识别率低，尤其是混合印刷体和手写体的文档

解决方案：模型专门针对手写中文进行了微调，在手写内容解析上表现突出（Edit 距离 0.252，远优于大多数竞品）

场景 4：企业文档批量处理

传统痛点：合同、报表、说明书格式各异，需要针对不同类型配置不同的解析流水线

解决方案：一个模型统一处理所有文档类型，部署和维护成本大幅降低

常见问题

Q1：模型需要什么硬件？

基于 Qwen2.5-VL-7B，7B 参数量级。推荐使用 NVIDIA GPU（至少 16GB 显存），支持 CUDA 12.4。

Q2：支持中文吗？

完全支持。模型在中英文文档上都进行了训练和评测，中文表现同样优秀。

Q3：和 MinerU、doc2x 等工具相比如何？

在 LogicsParsingBench 基准测试中，Logics-Parsing 在综合指标上全面领先。尤其在化学结构式（Edit 0.519 vs 1.0）和手写内容（Edit 0.252 vs 0.387）上优势明显。

Q4：可以商用吗？

模型基于 Qwen2.5-VL 开源，具体商用条款请参考模型许可协议。

Q5：和 Logics-Parsing-Omni 是什么关系？

Logics-Parsing 专注文档解析，Logics-Parsing-Omni 是其升级版，将解析能力扩展到图像和音视频领域，是一个全模态解析框架。

资源链接

• • Hugging Face 模型：https://huggingface.co/Logics-MLLM/Logics-Parsing
• • GitHub 仓库：https://github.com/alibaba/Logics-Parsing
• • 在线 Demo：https://www.modelscope.cn/studios/Alibaba-DT/Logics-Parsing/summary