近期两个多模态文档解析方案开源进展:DocHumming和PaddleOCR-VL-1.6技术方案

继续跟进【文档智能】解析进展。 多模态文档解析目前整体架构方案侧没有什么特别大的改变，最近进展的几个模型（DocHumming和paddleocr-vl-1.6）仍然集中在训练数据的构造上（尤其是拍摄场景等）。

DocHumming方案

如下图，DocHumming提到mineru等级联模型【先layout再ocr】在拍照等场景容易产生幻觉，并且缺少大规模高质量全页SFT数据。

故DocHumming的主要方案就是解决上述两个问题，主要从数据合成层面进行。

真是场景数据合成

整个pipeline：区块元素库【表格、公式、段落、图像】 + 布局模板库【收集带阅读顺序标注的公开布局数据集+网络挖掘真实文档布局】 → 按空间/结构约束合成全页文档 → 真实拍照感知增强 → 输出DocMix-3M合成数据集【多语言、结构高度多样、带显式阅读顺序】。

真实拍摄感知增强：模拟随手拍摄的真实干扰，缩小合成→真实域间隙：

• 几何干扰：透视偏移、弯曲、褶皱、卷曲；
• 光度干扰：光照不均、曝光变化、阴影；
• 相机干扰：随机旋转、拍摄角度偏移；
• 环境干扰：真实背景叠加。

训练方案

1. 渐进式训练分两个阶段：

• 阶段1：元素级训练【数据：9M孤立原子元素（表格/公式/段落）】
• 阶段2：全文档统一训练【DocMix-3M + 1M阶段1样本 + 10万人工标注真实文档】

1. 结构Token感知优化

   核心问题：常规训练对所有输出Token一视同仁，而表格/表单等结构边界Token一旦出错，会引发整段重复、结构坍塌。

实验评测

PaddleOCR-VL-1.6

PaddleOCR-VL-1.6优化了集中出现在一批欠优化区域中——包括预测不稳定、数据覆盖不足、监督信号不可靠等局部弱区。围绕这些弱点构建高价值数据，最后通过继续预训练、监督微调、强化学习的渐进式后训练流程，将新增数据的价值稳定注入模型。

• 再看两阶段多模态文档解析大模型-PaddleOCR-VL架构、数据、训练方法
• 多模态文档智能解析开源进展：针对形变文档优化的PaddleOCR-VL-1.5架构改进点

模型架构及演进方案在前期文章中也讲过，这里不再继续赘述，下面主要也看其在数据构造上的特点。

从上图可以看到，PaddleOCR-VL-1.6相比上个版本主要集中优化了上版本弱项内能力（一些比较少见的长尾case）。

实验评测

参考文献

• Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training，https://arxiv.org/pdf/2603.23885v1
• huggingface.co/PaddlePaddle/PaddleOCR-VL-1.6

往期相关

多模态文档解析的开源项目模型技术方案都在《文档智能专栏》，如：

• 再看两阶段多模态文档解析大模型-PaddleOCR-VL架构、数据、训练方法

• 多模态文档智能解析开源进展：针对形变文档优化的PaddleOCR-VL-1.5架构改进点

• 如何打造一个文档解析的多模态大模型？MinerU2.5架构、数据、训练方法

• 端到端的多模态文档解析模型-DeepSeek-OCR架构、数据、训练方法

• 多模态文档解析模型新进展：腾讯开源HunyuanOCR-1B模型架构、训练配方

• 强化学习GRPO（格式奖励）在多模态文档解析中的运用方法

• 多模态文档解析开源新进展-DeepSeek-OCR2.0架构、数据、训练方法

• 多模态文档智能解析持续开源进展：Youtu-Parsing模型架构、数据、训练方法

• 多模态文档解析最新开源进展：2B参数FireRed-OCR模型方法

• 多模态文档解析新进展：多模态OCR解析文档中的任意内容实现方案

...