腾讯微信开源了个＂文档翻译器＂,扫描件直接变Markdown,精度干翻DeepSeek-OCR

今天聊一个刚开源就被抢着用的项目——腾讯的 WeVisDoc。

我们平时处理文档，最头疼的是什么？

扫描件是图片，PDF是图片，拍照的发票是图片……想让AI理解和编辑这些内容，传统流程是：OCR识别文字 → 排版分析 → 公式识别 → 表格还原 → 拼装成Markdown。

每一步都可能出错，串起来错误就滚雪球。

WeVisDoc把这条流水线压缩成一步：

输入一张文档图片，直接输出结构化Markdown。

公式自动转LaTeX，表格自动转HTML，标题段落自动分层。中间不需要任何人工干预。

凭什么说它强？

这不是自嗨，有硬数据。

在文档解析领域最权威的两个评测基准上，WeVisDoc-4B 全部排名第一：

OmniDocBench v1.6 得分 95.38，把一众对手甩在身后：

更夸张的是 PureDocBench——专门测"脏文档"（模糊扫描、低质量拍照）的基准。WeVisDoc-4B 三条赛道均值 75.54，第二名 FD-RL 是 73.92，差距不小。

尤其在"真实退化"赛道（real-world degraded），WeVisDoc 拿到 69.08，比 DeepSeek-OCR 2 的 43.60 高出一大截。越烂的文档，差距越大。

技术上有什么特别的？

WeVisDoc 不是从零训练的模型。它的底座是 Qwen3-VL（通义千问的视觉语言模型），分别基于 2B 和 4B 两个规格微调。

真正的功夫在训练数据和微调策略上。从论文标题就能看出思路："From Coverage to Capability"——先用海量文档数据覆盖各种版式，再针对困难场景强化能力。

推理层面，它完全兼容 OpenAI API 格式。这意味着：

实际用起来什么体验？

仓库里的使用方式极其简单：

# 起服务bash scripts/serve_vllm.sh Tencent/WeVisDoc-2B# 解析一张图python -m wevisdoc.client --image page.png --output result.md# 批量处理一个目录python -m wevisdoc.client --image-dir ./scans --result-dir ./markdown --workers 4

不走服务也能用，Transformers 直接加载：

python -m wevisdoc.local --model Tencent/WeVisDoc-2B --image page.png

整个代码仓库只有 6个Python文件，约400行。模型的智能全在权重里，代码只是薄薄一层壳。

对我们意味着什么？

几个直接能用上的场景：

1. 历史文档数字化古籍、档案、旧报纸——拍照或扫描后直接转Markdown，批量处理，人力成本降到接近零。

2. 财务/法务文档处理发票、合同、审计报告里的复杂表格和公式，一次转换直接可用，不需要人工校对排版。

3. 知识库建设把公司积累的PDF文档批量转成结构化Markdown，直接导入RAG系统或知识库。

4. 教育内容制作试卷、讲义、论文里的数学公式，LaTeX格式输出后可以直接渲染。

写在后面

腾讯这次开源得相当彻底：模型权重放在 HuggingFace 上（WeVisDoc-2B 和 WeVisDoc-4B），代码 Apache 2.0 协议，技术报告也发了 arXiv。

2B 模型在多个场景下已经超过了 3B-7B 的竞品，说明数据质量和微调策略比堆参数更有效。这个思路对所有做垂直领域AI的团队都有参考价值。

感兴趣的可以直接上手试：

如果你手头有大量需要处理的文档图片，强烈建议试试。2B 版本对硬件要求不高，单张消费级显卡就够了。

我们下期见。

如果觉得有帮助，欢迎点赞、在看、转发三连。