4B 的小模型,把文档解析的天花板顶高了 12 分

LlamaIndex 发布 OCRia-1：一个 40 亿参数的视觉语言模型，在表格、图表、公式上全面反超一众大模型，单张 B200 每天能吞下约 86 万页。

如果问做文档 Agent 的人"最卡脖子的是哪一步"，十个里有八个会说：读表。财报、保单、税表里的关键信息几乎都存在表格、图表和带格式的正文里，而一旦数字对错了列，下游 Agent 会给出一个自信但错误的答案。10 月 22 日，LlamaIndex 发布的 OCRia-1，正是对着这个痛点来的。

一、一句话概括这件事

一个 4B 模型，同时在"精度、成本、延迟"三条线上拿下第一

LlamaIndex 在官方博客里把话说得很满：OCRia-1 是"当今最好的文档解析模型"。它是一个 40 亿参数的视觉语言模型（VLM），由 Qwen3.5-4B 微调而来，输入一页文档图像，输出结构化的 Markdown 与 HTML。

在自建基准 ParseBench 上，它拿到 87.4 的总分，高出第二名 LightOnOCR-3-4B（75.3）足足 12.1 分。同时，它在三个第三方基准的表格评测上也全部位列第一：olmOCR-bench（92.9）、PulseBench-Tab（84.1）、fr-bench-pdf2md。

更关键的是后半句——这些成绩是用一个 4B 模型拿到的。在"小模型能不能干专业活"这件事上，这是一次相当有力的实证。

二、先把话说清楚：领先幅度没那么均匀

12.1 分是"自建基准"上的领先，第三方基准上只有 0.7–1.7 分

这张图值得多看两眼。OCRia-1 在四个基准上都是第一，但领先的"形状"完全不同：

ParseBench（自建）：87.4 vs 75.3，领先 12.1 分

olmOCR-bench（第三方）：83.5 vs 82.3，领先 1.2 分

PulseBench-Tab（第三方）：84.1 vs 82.4，领先 1.7 分

fr-bench-pdf2md（第三方）：72.1 vs 71.4，领先 0.7 分

这个分布很重要：巨大的差距主要出现在 ParseBench 重点考察的"图表"和"格式"维度上（分别领先 19.0 分和 15.5 分）。而在纯表格维度上，OCRia-1 的领先是小幅度、但高度一致的——四个基准全部第一，且稳定领先 0.8–3.3 分。

三、真正的杀手锏：把"烂表"还原成表

嵌套表头、合并单元格、不规则网格——这些才是企业级文档的常态

为什么 LlamaIndex 会把表格当成主攻方向？官方的说法很实在："丢失这些关系，会让一份准确的转录变成一次错误的财务对比，或一条被误读的保额上限。"

现实中的财报表格长这样——三层嵌套表头、跨列合并的单元格、中间还夹着小计行。多数解析器能"把字认出来"，但认不出字属于哪一列。OCRia-1 的做法是：把页面渲染成 Markdown，表格部分则输出保留合并单元格与嵌套表头结构的 HTML。

谁最该关心这一项

金融服务与保险。财报、承保明细、赔付限额表几乎都是不规则表格。一个数字被放到错误的列头下，RAG 检索出来的上下文就是错的，最终答案会错得非常"自信"。

四、从"看懂图"到"取到数"：图表转数据表

这是差距最悬殊的一项——第二名 66.1，多数模型接近 0

如果说表格是"难"，那图表对绝大多数解析器来说就是"做不到"。堆叠柱状图、多轴折线、没有数值标签的数据点——需要读刻度、区分数列、把每个值匹配到正确的标签。

官方博客里那句话戳中了要害："『各业务线营收均有增长』这样的总结不足以支撑计算，你需要的是真实的数字。"OCRia-1 会把图表转成对应数据点的 HTML 表格。

五、被低估的一项：格式与公式

上标、下标、删除线、勾选框……多数解析器会直接丢掉

这一项平时没人提，但真的用起来会要命。化学式 H2O 里的下标、合同里被划掉的原条款、表单里的勾选框——这些信息的丢失不是"排版不好看"，而是"语义错了"。

OCRia-1 会把这些标记保留在 Markdown/HTML 中，并把数学公式转录为 LaTeX 而不是纯文本。在 ParseBench 的格式维度上，它拿到 83.4，第二名 Surya OCR 2 是 67.9，领先 15.5 分。

顺带一提，7B 的 olmOCR-2 在这一项上只有 2.2 分——这更能说明这个维度有多"偏门"，也说明 LlamaIndex 是有意识地在补这块短板。

六、怎么炼成的：10 万+页数据 + SFT + RLVR

官方把功劳明确归给了数据与训练管线

模型结构没什么神秘的——Qwen3.5-4B 微调。真正的护城河在数据：

• 10 万+页训练集，专门挑现代 VLM 仍然会做错的场景：跨页的密集表格与图表、数学符号、多语言文本、糟糕的扫描件。

• 混合标注流水线：用生成式与评审式 VLM 自举出 ground-truth，再叠加人工标注；真实数据会与 PDF 文本层做交叉校验。

• 合成文档生成器：补齐真实数据覆盖不到的长尾分布，可以精确控制复杂度——尤其是超长表和重格式场景。

• 两阶段训练：SFT 打底建立基础解析能力，再用可验证奖励的强化学习（RLVR），为表格、图表、格式分别设计奖励函数，提升泛化能力。

这套"用合成数据补长尾 + RLVR 分别优化子能力"的组合，正是小模型能在垂直任务上反超通用大模型的典型路径。

七、速度：单卡日吞 86 万页，是怎么做到的

不是模型变小了，而是推理栈被重写了

精度之外，OCRia-1 的另一半故事是吞吐。官方给出的数字是：单请求在单张 NVIDIA B200 上解码约 4700 token/s，约为基座模型跑原生 vLLM 的 9 倍；64 并发下约每秒解析 10 页，折算下来单卡每天约 86 万页。

86 万页/天/卡这个量级意味着什么？一家中型券商的研报库、一家保险公司的历史保单档案，量级大致在百万到千万页。过去"把整个历史档案重解析一遍"是一个需要立项的工程项目，现在它变成了一笔可以随手批的算力账单。

八、成本：价格没变，能力升级

LlamaParse 原价切换，官方称每页不到半美分

对现有用户来说，这次更新最直接的好处是：OCRia-1 已经在 LlamaParse 上线，且价格与之前相同。LlamaIndex 官网给出的说法是"每页不到半美分"。

把这张表和前面的分数放在一起看，结论就很清楚了：OCRia-1 是在"$4/千页"这个区间里，提供了过去要"$10–15/千页"才能买到的表格与图表能力。

九、冷静一下：三个需要打折的地方

好消息值得关注，但证据强度要分层看

阅读这份成绩单时，请记住三点

1. ParseBench 是 LlamaIndex 自己造的尺子。该基准于 2026 年 4 月发布，约 2,000 页人工核验的企业文档、16.7 万条测试规则，覆盖表格、图表、内容保真、语义格式、视觉定位五个维度——设计得确实专业。但厂商在自己造的基准上拿第一，证据强度天然要打折。12.1 分这个数字，建议当作"上限预期"而非"确定差距"。

2. 第三方基准上的领先其实很窄。olmOCR-bench 领先 1.2 分、fr-bench 领先 0.7 分——都在误差范围内。真正稳健的结论不是"断层领先"，而是"四个基准一致第一"。这仍然很强，但不是碾压。

3. 对比集里缺少前沿通用 VLM。公布的结果主要对标专业/开源解析器（LightOn、Chandra、dots.mocr、olmOCR）与 Mistral OCR，没有看到 GPT / Gemini / Claude 级别的通用多模态模型在同批页面上的成绩。权重也尚未开放——目前只能通过 LlamaIndex 托管服务使用，官方仅表示"即将提供"，未给出日期与许可证。

那到底该怎么验证？

别信任何一家的基准，拿你自己的文档跑：你最烂的那批扫描件、你特有的表格版式、你业务里的语言。抽样 200 页，人工核对关键字段，比较的是"每个正确字段的成本"，而不是列表价。

过去两年，文档解析的叙事一直是"用更大的模型去读更难的文档"。OCRia-1 提供的是另一条路的证据：把问题拆细、把数据做对、把奖励函数设计好，4B 也能在专业能力上超过大模型——而且快 9 倍、便宜一个数量级。

对做文档 Agent 的人来说，这件事的意义不在分数，而在于：表格和图表这个长期卡住流水线的瓶颈，落地门槛被实实在在地压低了一截。

相关链接：https://www.llamaindex.ai/blog/parse-ocria-1