夜雨聆风
做文档解析模型，跑出几张效果不错的 Demo 并不难。
真正困难的是回答三个让用户产生信任感的问题：
• 模型到底有多准？ • 新版本真的变好了吗？ • 它与其他模型能否公平比较？
这就需要 OmniDocBench。
但过去，完整跑通 OmniDocBench 往往意味着：准备 Linux 环境、租用 GPU 服务器、下载数据集，再处理 TeX Live、ImageMagick、Ghostscript 和 CDM 公式评分工具链。模型可能很快就跑起来了，评测环境却能让开发者折腾几天。
现在，这道门槛被大幅降低了。
开源项目 OmniDocBench AMD Windows 已经完成全流程验证：
只需一台配备兼容 AMD Radeon GPU 的 Windows PC，或者一台 Ryzen AI MAX+ 395 AIPC，就能在本地完成专业级文档解析评测。
项目地址：
这个项目已经跑通 OmniDocBench v1.6 全量 1,651 页数据，覆盖四项标准指标：
• Text Edit-distance：文本识别是否准确 • Reading-order Edit-distance：阅读顺序是否正确 • Table TEDS：表格结构是否解析准确 • Formula CDM：数学公式是否正确解析
以 PaddleOCR-VL-1.6 为参考模型，AMD Windows 本地 ROCm/HIP 路径取得了以下结果：
这证明的不是“AMD Radeon GPU能运行模型”，而是它可以完成：
数据准备 → 模型推理 → Markdown 生成 → 文本评分 → 表格评分 → 公式评分 → 结果验证
完整闭环。
1. 不再为了评测专门租GPU服务器
模型开发不是只测一次。
你可能需要反复修改 Prompt、量化方式、图像分辨率、布局模型和后处理规则。每改一次，就要重新推理、重新评分。
现在，这些实验可以直接在本地 AMD PC 上反复完成。评测从一次昂贵的“发布前工程”，变成可以进入日常开发循环的工具。
2. 一句话让AI Agent搭好环境
这个仓库专门提供了 AGENTS.md，供 Codex、Claude Code、OpenCode 等编程 Agent 阅读。
克隆仓库后，只需告诉 Agent：
请阅读 AGENTS.md，并按照其中的流程完成环境搭建和验证。Agent 会依次完成：网络检测、WSL 准备、数据集下载、CDM 环境安装、参考模型运行和最终评分。
每个安装阶段后面都有 verify。Agent 不需要“感觉应该成功了”，而是根据退出码和真实结果判断；中途失败，也可以修复后继续，不必全部重来。
3. 把20多次踩坑压缩成可复用脚本
完整 CDM 公式评分最容易出现“程序没有报错，得分却是 0”的假成功。
此外还有 Python 版本不兼容、WSL 安装失败、ImageMagick 把彩色公式变成灰度、两套 TeX Live 冲突、Windows 编码破坏中文 JSON 等问题。
这个 repo 把 20 多次真实调试经验沉淀成：
• 幂等安装脚本 • 自动验证程序 • 按症状检索的踩坑知识库 • AI Agent 执行流程
前一个开发者踩过的坑，后一个开发者不必再踩。
4. 一套环境，可以公平比较多个模型
评测基础设施与模型 Adapter 完全分离。
接入新模型时，只需要让 Adapter 为每张页面图片生成对应的 Markdown 文件，原有评分系统无需重写。
因此，它不仅能评测 PaddleOCR-VL，还可以扩展到 MinerU、Docling、Marker、其他 VLM、企业自研模型，甚至云端文档解析 API。
所有模型使用同一数据集、同一评分器和同一设备，比较才更公平。
5. 让团队真正做起版本回归
修好了表格，会不会破坏公式？
换了量化模型，速度提升后精度下降多少？
新版本 Overall 提高了，究竟是文本、表格还是公式贡献的？
固定的 OmniDocBench 流程，可以让每个版本留下客观证据。团队不再依赖“肉眼看起来更好”，而是明确知道哪里进步、哪里退化。
推荐环境：
• Windows 11 + WSL2 • 支持 ROCm/HIP 的 AMD Radeon GPU • Python 3.10 或 3.11 • 推荐 8GB 以上显存、32GB 内存和 100GB SSD
首先，克隆仓库：
git clone https://github.com/AIwork4me/omnidocbench-amd-windows cd omnidocbench-amd-windows然后，打开 Codex、Claude Code 或 OpenCode，输入：
Read AGENTS.md and execute the setup flow.接下来，Agent 会按照：
setup → verify → diagnose → repair → resume完成整套环境搭建。
希望手动执行的开发者，也可以按照中文 README 中的四个阶段运行：
1. 检测网络并准备 WSL 2. 下载 OmniDocBench v1.6 和 1,651 页数据 3. 安装 CDM 环境并运行 PaddleOCR-VL-1.6 Adapter 4. 计算四项指标并执行最终验证
完整链路还可以使用：
powershell -ExecutionPolicy Bypass -File scripts\full-verify.ps1这个项目降低的不只是 租用 GPU服务器的成本。
它同时降低了文档解析评测的：
硬件门槛、环境门槛、学习成本、调试成本、复现成本和团队协作成本。
专业评测不应该只属于拥有昂贵服务器的大团队。
学生、独立开发者、创业公司和企业研发团队，都应该能在自己的设备上验证模型，而不是只能相信论文中的数字和厂商展示的 Demo。
手上正好有 AMD Radeon GPU，或者 Ryzen AI MAX+ 395 AIPC，不妨亲自跑一次。
也欢迎为更多文档解析模型贡献 Adapter，让 AMD Windows 上的文档智能评测生态越来越完整。
项目地址：
https://github.com/AIwork4me/omnidocbench-amd-windows
让评测从昂贵的服务器工程，变成每一位开发者都能使用的本地研发工具。
