夜雨聆风关键是，模型本身没换，骨干还是那个InternVL3.5-1B，参数一个没加。
那速度是哪来的，这个工作最有价值的地方在哪里？
文档解析这个事儿，简单讲就是把PDF、扫描件里的文字、公式、表格、阅读顺序，结构化地抠出来。你搞的每一个RAG系统、每一个知识库，背后第一道工序都是它。这两年主流路线是统一式的视觉语言模型，一张页面图扔进去，模型直接给你生成整页的结构化结果，MinerU、PaddleOCR-VL、DeepSeek-OCR都是这个路数。
大家都在卷什么。卷看得准不准，更大的模型，更多的数据，更高的分辨率。
视觉编码器看完整页文档，耗时基本恒定。而解码器写出结果的时间，跟着输出长度一路狂飙。长文档场景下，解码耗时接近编码耗时的496倍。
496倍。
说人话就是，模型的眼睛早就看完一整页了，但它被迫一个字一个字地往外抄。瓶颈根本不在看，在写。
官方实测，输出越长，解码耗时越离谱，最长档位解码接近编码的496倍
看到这张图的时候，我愣了一下，然后突然意识到一个更本质的问题。
一页文档，哪些部分需要全局理解。
标题层级、多栏布局、区域位置、阅读顺序，这些确实得看整页才能定。
但某个段落的具体文字、某个公式的LaTeX、某张表格的单元格，说实话，只依赖于那一小块图像。左下角的表格识别，需要等右上角的段落先写完吗。
完全不需要。
文档需要整体理解，但不需要整体串行生成。
这就是HPD-Parsing的全部出发点，Hierarchical Parallel Decoding，层级并行解码。
HPD-Parsing架构
它把原来"一条序列从头写到尾"的生成方式，拆成了一个全局协调加局部并行的结构。
传统方式是一条自回归序列写到底，HPD是布局主线协调、内容分支并行
具体怎么做的，两层并行，一层比一层妙。
第一层，布局主线加分叉。
模型里有一条主布局分支，负责按阅读顺序识别页面里有哪些区域、各自是什么类型、在什么位置。
每确定好一个区域，它就吐出一个特殊的FORK标记，推理引擎看到这个标记，立刻动态创建一条内容分支，专门去写这个区域的内容。主线继续找下一个区域，内容分支们同时在写，互不等待。
而且分工不等于重复劳动。新分叉出来的内容分支，直接复用已经算好的视觉信息和布局前缀的KV Cache，不需要重新编码整张图，也不需要重复跑一遍Prefill。
更妙的是，每条内容分支只看共享的视觉上下文、自己的结构前缀和自己的生成历史，不用背着整页其他区域的文字往前走。传统方式下，每多生成一个token，注意力要扫的前文就更长一截，而这里，每条分支的注意力视野始终是局部的、恒定的。
第二层，每条分支内部还要再快一步。
分支内部的生成依然是逐token的，于是他们把自家ECCV 2026提出的P-MTP技术缝了进来，渐进式多token预测。
原理有点像老司机打字不看键盘，一次解码迭代同时预测并验证后面好几个token，验证通过的直接入账，没过的就退回去老实生成。
实测平均每个解码步能收下6.6个token，等于原来走一步，现在走六七步。
为啥文档解析特别适合这么干。
因为每个区域的内容都死死锚定在对应的图像证据上，生成的可预测性天然就高，瞎猜都猜得比别人准。
区域之间并行，区域内部多token并行。两层叠加，整页内容不再沿着一条长序列蠕动，而是全面铺开。
HPD-Parsing的整体架构，主线布局分叉加P-MTP多token预测
效果怎么样，直接上数据。
OmniDocBench v1.6评测集，512并发下，Token吞吐从基线的1554.8干到4752.1，页吞吐从1.02页每秒提到2.68。精度方面Overall得分94.91，在端到端统一式解析器里是新的SOTA，还把一票比它大的模型甩在身后。
速度和精度的散点图，右上角那颗红星就是它，效率一骑绝尘
更夸张的是这个优势会随文档变长而放大。
官方把测试集按输出长度分桶，越长的桶，HPD-Parsing相对传统解码的优势越大，最长档位解码步数压缩了18.04倍，批量吞吐提升3.67倍，单请求延迟下降5.8倍。
文档越长，传统方式越是便秘，它越是丝滑。
这不是一个固定比例的提速，是从机制上拆掉了"文档越长、等待越久"这个结构性瓶颈。
按输出长度分桶的对比，越长优势越大
推理速度对比表，4752的TPS一骑绝尘
说实话，光是把解码范式换掉还不足以保证精度不掉，这套训练方法我觉得同样值得抄作业。
训练方法
他们搞了一条自动化的数据流水线，先对海量文档做特征聚类和代表性采样，然后用PaddleOCR-VL-1.5和MinerU-2.5 Pro两个模型互相印证生成伪标签，再根据中间模型和伪标签的差异，把样本分成简单、中等、困难三档，困难样本再交给更强的模型多轮检查、生成、纠正，最后按难度和文档属性做分布平衡。
训练也是三阶段循序渐进。
先用280万条全页样本，按传统方式把通用解析能力学扎实。再用十万级分支样本，完成从整页生成到层级并行的范式迁移。最后挑六百条代表性难例，用强化学习针对公式、表格、布局做定点补强。
这套东西最让我喜欢的，还有它的兼容性。视觉token压缩、滑窗注意力这些已有的加速手段，跟它是正交的，理论上可以叠在一起用。
而且模型才1B，单卡A800就能跑，部署门槛相当亲民。
写在最后
如果你问我，这个工作里最值得偷走的是哪几样东西，我总结三条。
第一条，先掐表，再优化。他们没有急着改模型，而是先给推理过程做了一次profiling，找到了真正的瓶颈在解码而不是编码。多少优化项目死在一上来就拍脑袋，这个顺序值得刻进脑子里。
第二条，找结构里的天然并行性。不是所有任务都能拆，但文档解析天然就是"全局布局加局部内容"的结构，这种结构性质比任何trick都值钱。
第三条，范式切换不怕，分阶段迁移就行。直接让模型换一种生成方式，精度大概率崩，但先学能力、再迁范式、最后强化难例，三步走下来就稳了。这个套路放在很多模型改造场景里都成立。
谢谢你看我的文章，我们，下次再见。
https://arxiv.org/pdf/2607.18839 https://huggingface.co/PaddlePaddle/HPD-Parsing
推荐阅读