夜雨聆风
【ECCV 2026】当文档走进真实世界,解析模型还稳吗?——Real5-OmniDocBench解读
开篇语
为什么在VLM已经能在数字文档上取得高分的今天，我们还要重新构建一个真实物理世界的文档解析benchmark？因为真实业务里的文档很少规规矩矩躺在PDF里，它可能被打印、装订、弯折、手持拍歪，也可能出现在手机屏幕、办公室显示器或一束刺眼台灯下。模型能不能读懂理想页面，只是第一步；能不能读懂真实采集链路里的页面，才决定它能不能稳定落地。
从“数字高分”到“真实可用”
过去一年，文档解析模型在OmniDocBench等高质量benchmark上进展很快。文字、公式、表格、版面、阅读顺序这些能力，已经可以被标准化评测细粒度拆开。但这些评测大多基于纯净数字文档页面：图像清晰、版面平整、光照均匀、几乎没有物理采集干扰。
问题在真实世界里暴露得很彻底——纸张一弯，表格边界就不再平直；手机一斜，原本平行的行列开始透视收缩；屏幕一拍，摩尔纹和反光会被误判成版面结构；局部阴影和过曝则会把文本、公式、图表的可见性打散。
这也是Real5-OmniDocBench要解决的问题：它不只告诉我们模型“分数下降了”，还要进一步回答“到底是哪一种真实物理因素让模型失败了”。
一对一物理重建：让真实世界可诊断
Real5-OmniDocBench的核心设计很直接：以OmniDocBench v1.5的1,355页测试集为基准，对每一页都构造五个真实物理版本。最终得到1,355×5=6,775个样本，并严格保持与原始页面的一对一对应关系。
这种设计带来的最大好处，是“真实”和“可比”同时成立。
-
真实：除Scanning外，其余样本均通过手持移动设备实拍采集，保留真实硬件ISP、镜头、屏幕、光照和纸张形变带来的影响。
-
可比：每个真实样本都能回到同一页原始数字文档，并继承OmniDocBench v1.5的Ground Truth与评测协议。
-
可诊断：同一页面在五类物理条件下的表现可以横向比较，性能变化可以归因到具体场景，而不是混在一个不可解释的总体分数里。
五类场景，覆盖真实采集链路
Real5-OmniDocBench将真实世界里的文档采集问题拆成五类典型压力测试：
-
Scanning：标准扫描、低质量扫描、歪斜进纸、角落装订、侧边装订，模拟办公和档案数字化中的纸张纹理、扫描噪声和装订遮挡。
-
Warping：对折、卷曲、揉皱、折角、书脊弯曲，重点考验模型对非刚性几何形变的结构恢复能力。
-
Screen-Photography：显示器、专业屏、笔记本、平板、手机屏摄，覆盖摩尔纹、反光、屏幕边框和二次成像损失。
-
Illumination：暗光、局部阴影、彩色光、手电过曝、玻璃折射，检验模型在低对比度和局部光照干扰下的语义一致性。
-
Skew：俯仰、横滚、偏航、复合角度、极端倾斜，直接挑战透视校正、版面理解和阅读顺序恢复。
五类场景下的25种代表性真实采集条件
左右滑动查看更多
采集不是“随手拍”，
质量也不是“过度清洗”
为了保证benchmark的科学性，Real5-OmniDocBench在采集阶段做了两件事。
第一，保证物理重建的基础质量。数据构建中使用Canon C5840多功能设备进行1200 dpi打印与扫描，并根据原始页面尺寸采用A3/A4尺寸策略，尽量保留字体大小、版面密度和结构比例。四类手持采集场景使用Apple、小米、OPPO等主流移动设备，以覆盖不同传感器、镜头和ISP特性。
第二，区分“真实干扰”和“采集事故”。严重失焦、错页、极端过曝、错误旋转、明显裁切等会破坏样本可用性的异常，会通过模型初筛和人工复核剔除或重采；而摩尔纹、阴影、轻微噪声、清晰度下降、局部反光等真实部署中会遇到的现象，则被保留下来。
这使得Real5-OmniDocBench不只是一个“更难”的数据集，而是一个可复现、可归因、可持续更新的真实物理鲁棒性评测基准。
结果：
鲁棒性不是参数规模的单调函数
Real5-OmniDocBench的实验结果给出了一个很清晰的信号：真实物理鲁棒性并不只由参数量决定。
在当前评测中，PaddleOCR-VL-1.6以0.9B参数量达到93.19 Overall，并在五类场景中保持稳定表现：Scanning 94.74、Warping 92.48、Screen-Photography 92.78、Illumination 93.28、Skew 92.66。相比之下，Gemini-3 Pro为89.24，Qwen3-VL-235B为88.90，传统Pipeline工具在Skew等场景下下降更明显。
这组结果并不是简单说明“小模型一定更好”，而是说明真实世界文档解析的瓶颈不只在语义理解，也在视觉几何、局部光照、屏摄伪影和结构恢复。对于表格、公式和阅读顺序来说，模型需要的不只是识字能力，还要能把被弯曲、压缩、反光、透视变换后的二维页面重新组织成可靠结构。
Real5-OmniDocBench
能带来什么？
对模型研究者，它提供了一个更可诊断的鲁棒性分析工具：模型到底怕Warping、Skew、Illumination，还是Screen-Photography，可以被拆开看。
对产品工程团队，它提供了更接近真实入口的选型依据：手机拍照、扫描归档、屏幕转录、低光环境下的解析能力，不再只能依赖主观样例测试。
对数据和训练团队，它提供了更明确的改进方向：几何增强、屏摄增强、光照增强、结构任务联合训练，都可以围绕五类真实因素更有针对性地设计。
【结语】Real5-OmniDocBench的价值，不在于把benchmark做得更“难”，而在于把真实物理采集链路中的干扰因素拆开、对齐、量化。只有当模型能在扫描、弯折、屏摄、复杂光照和倾斜拍摄下保持稳定，文档解析能力才真正接近可部署、可复现、可持续优化。
【使用入口】
-
数据集：
https://huggingface.co/datasets/PaddlePaddle/Real5-OmniDocBench
-
论文：
https://arxiv.org/abs/2603.04205
-
评测协议：兼容OmniDocBench的官方评测指标与输出格式
欢迎大家上手使用Real5-OmniDocBench，也欢迎基于五类真实物理场景评估集进行模型能力评测，打磨出更强、更稳、更可落地的文档解析模型。
