技术洞察｜智能体工程实战

做 RAG、文档 Agent 的同学应该都深有体会：文档解析是整个链路的入口，入口质量直接决定了后面检索、推理的上限。 普通文本 PDF 还好处理，一旦遇到企业真实文档：财务报告、保险表单、税务文件，里面大量嵌套表格、合并单元格、各类图表、数学公式，传统 OCR、通用 VLM 很容易翻车。表格结构错乱、图表信息丢失、格式符号被抹平，后续不管大模型多强，拿到残缺的原始素材，结果自然不可靠。

10 月 22 日 LlamaIndex 正式发布 OCRia‑1，一个 40 亿参数的视觉语言模型，作为 LlamaParse 的底层能力，主打文档解析，在准确率、延迟、成本三个维度做整体优化。 有意思的点在于，它只有 4B 参数，却在多个公开基准跑出了显著高于更大参数量模型的结果。本文基于官方发布材料做梳理，同时结合工程视角聊聊它的能力边界，以及对我们做文档类 Agent 的实际意义。

说明：本文信息来源于 LlamaIndex 官方博客，文中对比数据均来自官方公布的基准测试结果，实际业务落地建议自行做验证评测。

一、基准表现：4B 参数，多项榜单领先

OCRia‑1 在 ParseBench、olmOCR‑bench、PulseBench‑Tab、fr‑bench‑pdf2md 这几套文档解析基准上拿到不错成绩。 在 ParseBench 综合评测中，总分 87.4，相比第二名高出 12.1 分。这套评测覆盖文本、格式、表格、图表多维度，测试样本包含多语言、不同类型文档页面。

其中表格与图表是它重点强化的部分：

1. 表格解析
   在olmOCR‑bench（92.9）、PulseBench‑Tab（84.1）、fr‑bench‑pdf2md 等第三方表格专项评测全部处于前列。 复杂表格处理一直是文档解析的硬骨头：嵌套表头、合并单元格、不规则网格，一旦解析出错，会直接带来财务、业务数据对比错误。OCRia‑1 的设计目标就是尽量保留单元格之间的关联关系，这对金融、保险类业务文档非常关键。
2. 图表解析
   ParseBench 图表维度得分 85.1，第二名仅 66.1，传统解析器得分接近 0。 很多解析工具只能识别图表图片，输出一句文字概括，拿不到具体数据点。OCRia‑1 可以把图表转换为带数据点的 HTML 表格，保留数值、系列、标签之间的对应关系，方便后续做计算、分析。
3. 格式与数学符号保留
   多数解析器会直接丢弃上标、下标、删除线、复选框这类排版信息，数学公式直接转成纯文本。OCRia‑1 支持输出 Markdown / HTML 格式标记，数学公式输出 LaTeX。ParseBench 格式维度得分 83.4，第二名 67.9。

基准测试有渲染条件、数据集的约束，官方说明所有模型统一采用 1288px 的渲染标准做对比。基准分数好看不等于线上业务开箱即用，真实业务依然要做自己的评测集。

二、训练思路：数据集 + SFT + RLVR 强化学习

官方把效果的提升主要归因于数据构建与后训练流程。

训练集规模超过 10 万页文档，重点瞄准现有 VLM 容易出错的场景：跨页长表格、密集图表、数学符号、多语言文本、质量较差的扫描件。

数据集来源分为两块：

• 真实业务文档，配合人工标注与 VLM 辅助审核；
• 合成文档生成器，人为改变文档复杂度、布局多样性，用来补全真实世界里的长尾样本。

后训练采用两阶段：

1. 监督微调 SFT
   ：建立基础文档解析能力；
2. RLVR（带可验证奖励的强化学习）
   ：针对表格、图表这类复杂任务设计奖励信号，进一步提升泛化能力。

简单理解：不只是教模型“输出长文本”，而是通过可校验的奖励，强制模型把表格单元格关系、图表数据对应关系做对。

三、对工程落地的实际意义

我们做文档 Agent、企业 RAG，经常遇到两类痛点： 一类是追求效果，上大参数量 VLM，解析质量上来了，但推理成本、延迟很高，大批量文档处理吃不消； 另一类是为了成本，用传统 OCR，遇到复杂表格图表直接报废，后面 RAG/Agent 再怎么调提示词都救不回来。

OCRia‑1 的定位，就是试图在小参数量模型上，补齐复杂文档的短板，兼顾精度、速度、成本，已经内置在 LlamaParse 服务中对外提供。

但这里也要客观看待几个现实边界：

1. 基准测试不等于真实业务。基准样本是筛选过的，企业内部文档会有大量扫描模糊、手写、版式极度混乱的极端case，依旧会出错；
2. 表格、图表解析依然会有幻觉。即便分数很高，涉及财务、业务关键数据，不能直接采信解析结果，重要数据必须做二次校验；
3. 它解决的是“文档转结构化文本/markdown”这一个环节，完整文档 Agent 链路还包括切片、检索、记忆、工具调用、结果校验，解析只是入口。入口质量提升，会降低下游的难度，但不能替代后面整套评估体系。

四、哪些场景可以重点关注，哪些不要过度期待

✅ 更适合的场景

• 大量 PDF 财报、保险表单、税务文档，存在大量嵌套表格、长表格；
• 论文、技术材料，需要保留公式、上下标、排版格式；
• 图表多，需要提取图表内具体数值，而不是只看图片描述；
• 大批量文档解析，对成本、延迟敏感，不想堆超大 VLM。

⚠️ 不要过高期待

• 极度模糊、扭曲、低质量老旧扫描件，依然会存在识别错误；
• 不是万能，输出的表格、图表数据，业务使用时必须校验；
• 它是解析模型，不解决后续 RAG 的召回、Agent 的规划幻觉问题。

结尾

文档解析看似是预处理环节，实际是企业文档智能体的地基。很多项目上线之后效果差，团队反复调 prompt、调 Agent 架构，回头溯源才发现源头是解析把表格、格式破坏了。

OCRia‑1 代表一个趋势：专门面向文档任务的小专精 VLM，正在逐步替代通用大模型做文档预处理。4B 参数拿到高基准分数，核心不在于模型参数量，而在于针对性的数据构造和强化学习奖励设计。

有需要的同学赶快去试一试吧