PDF 表格一解析就乱?微信开源 WeVisDoc,专攻这些难页

你好，这里是晴天AI实验室！

做论文整理、PDF 翻译、知识库，最烦的往往是同一件事：字识别出来了，表格却串行，公式变乱码，两栏正文混成一段。

腾讯微信视觉团队开源的 WeVisDoc，值得从这个问题看：输入整页图片，直接输出包含正文、LaTeX 公式和 HTML 表格的 Markdown。

它有 2B、4B 两个版本，约 20 亿、40 亿参数，分别基于 Qwen3-VL 对应规格的指令模型微调。这篇我结合官方案例和论文，拆解它适合处理什么，以及怎么开始试。

1 先看难页：漏掉的表格，能不能找回来

官网有一页数独材料：第一阶段模型读到了图注和正文，却漏掉了整个 9×9 网格；第二阶段恢复了对应的 HTML 表格。

这比“又多认对几个字”更有用。表格结构留下来，后面才有机会校验行列、提取数据。

另一页受到数字退化影响的材料，展示了数学表达式从普通文字恢复为 LaTeX 公式块的过程。做论文笔记和公式整理，这类输出更方便继续编辑。

还有一张真实拍摄的合同页面，第二阶段修正了人名识别，并恢复了违约金公式的 LaTeX 表达。

这些都是官方挑选的同一页面在两个训练阶段后的输出对比。它们展示了具体修复方向，日常文档能达到什么效果，还得拿自己的页面验证。

2 整页进去，结构化内容出来

WeVisDoc 用同一个视觉语言模型生成整页结果，无需额外串联独立 OCR 引擎、文档检测器或专用表格解码器。输出里，标题用 Markdown，公式用 LaTeX，表格用 HTML。

对接知识库时，这种格式有一个实际好处：可以沿着标题和段落切分，同时保留表格、公式所在的位置与上下文。

这里要分清输入边界：官方入口处理的是页面图片，PDF 需要先逐页渲染。多页合并、跨页表格、切块和索引，仍是上层工作流要处理的事。

3 分数很亮眼，选型要看细项

官方报告里，4B 在 OmniDocBench v1.6 的 Overall 是 95.38，2B 是 95.06；WeVisDoc 的结果取三次推理均值。

Overall 是综合指标，不能读成“识别准确率 95.38%”。4B 总分更高，表格 TEDS 分项却略低于 2B，不能只看模型大小就决定。

它在所比较的端到端专用模型中取得最高 Overall；论文同表里的 PaddleOCR-VL-1.6、MinerU2.5-Pro 等流水线系统，整体分数仍更高。

所以我的判断是：值得加入候选清单，尤其值得测公式和复杂页面。是否替换现有解析器，要看自己的文档和处理成本。

PureDocBench 更能提醒我们现实有多难：4B 在干净页、数字退化页、真实退化页上，分别得到 79.81、77.74、69.08。

同一批源页面经过算法退化或实际采集后，整体分数仍明显下降。“支持拍照文档”和“随手一拍都能解析好”，中间还有距离。

4 它怎么补短板？先广泛见题，再针对错题练

第一阶段，团队用约 4000 万条训练记录扩展内容、版式和退化外观覆盖；第二阶段用独立诊断集找剩余错误，再补数据、调整训练分配。

这里的“记录”包含页面、区域、表格和公式等，不能理解成 4000 万份独立 PDF。核心思路倒很好懂：先见得广，再把练习量花在薄弱处。

4B 在真实退化赛道上，第二阶段比第一阶段提高 4.03 个分数点，是四项设置里提升最大的一项。

官网另一个三栏接机安排案例，也展示了阅读顺序的修复。对知识库来说，顺序错了，即使单字全对，检索到的段落也可能让人读不懂。

5 想上手，先用 2B 跑通一页

代码仓库和两个官方模型卡均标注 Apache-2.0。仓库提供 vLLM 服务部署，以及 Transformers 本地推理两条路线。

我建议先用 2B 建立基线，再拿同一批页面对比 4B。官方没有承诺固定最低显存，图片尺寸、上下文和并发都会影响实际占用。

以 Transformers 路线为例，先准备 Python 3.10+、兼容的 PyTorch 环境，在终端依次执行：

git clone https://github.com/Tencent/WeVisDoc.git cd WeVisDoc python -m venv .venv # 激活虚拟环境后继续 python -m pip install -r requirements-local.txt python -m wevisdoc.local --model Tencent/WeVisDoc-2B --image page.png --output results/page.md

Windows 用 .venv\Scripts\Activate.ps1 激活；Linux 用 source .venv/bin/activate。上面的 page.png 换成自己的单页图片。

我实际跑通了官方客户端和本地入口的 --help，确认了这些参数入口；这一项验证没有加载权重或执行模型推理。

6 真要接进项目，先测这几件小事

从现有材料里选十页：普通正文、合并单元格表格、密集公式、双栏论文、手机拍照页各两页。和现在的解析器处理同一批原图。

逐页检查漏字、行列、上下标、阅读顺序，再记录耗时与输出截断。尤其看表格有没有在正确位置结束，表后的注释有没有被吞进去。

还有一个接入前要知道的限制：官方提示词要求忽略插图内容，并不承诺提取原图或生成插图说明。要做图文知识库，图片保存和关联仍需另外处理。

我更愿意把它放进文档处理工具箱：文字、公式、表格交给它试；重要数字和专名回到原页核对，再决定哪些结果可以自动入库。

最后总结一下

WeVisDoc 值得做知识库、论文整理和文档解析的读者收藏测试。

先用 2B 跑通十页，再判断 4B 的收益是否值得。

真正有用的标准，是自己的难页能否稳定变成可继续处理的内容。

资料入口：官方项目与案例｜GitHub 代码与教程｜技术论文｜2B 模型｜4B 模型与评测表。文中案例图片与输出摘录来自官方项目页，部分采用中文解读排版；数据图依据官方报告重绘，流程图为本文概念示意。

如果你觉得这篇文章对你有帮助，也欢迎给我一个三连击：点赞、转发和在看；如果可以，再帮我点一个⭐️。谢谢你看到这里，我们下篇再见。