Qianfan-OCR: A Unified End-to-End Model for Document Intelligence
本文介绍了 Qianfan-OCR，这是一个 40 亿参数的端到端视觉语言模型，通过引入“布局即思考”（Layout-as-Thought）机制在统一架构中实现了从图像到 Markdown 的直接转换及多样化的文档理解任务，并在多项权威基准测试中取得了领先或具有竞争力的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你手里有一堆杂乱无章的文档：有的满是数学公式，有的是复杂的财务报表，有的还是手写笔记。以前，要处理这些文档，我们得像流水线工厂一样，把任务拆成好几步：先派一个“侦探”去画框框（找哪里是文字、哪里是表格），再派一个“翻译官”去认字，最后再请一个“分析师”来理解内容。
这就像做一道复杂的菜：你得先切菜（布局分析），再洗菜（文字识别），最后炒菜（理解内容）。如果切菜的人手抖了，后面的厨师再厉害，菜也做不好。而且，中间环节太多，不仅慢，还容易把菜里的“原汁原味”（比如文字之间的空间关系、图表的布局）给弄丢了。
Qianfan-OCR 就是百度团队推出的一个**“全能大厨”**。它不需要流水线，一个人就能搞定从“看菜”到“出锅”的全过程。
🍳 核心亮点：一个大脑，三种技能
这个模型只有 40 亿参数（在 AI 界算个“精干”的体型），但它把**“找位置”、“认字”和“懂内容”**这三种技能完美融合在了一起。
1. 它是“端到端”的（End-to-End）
以前的系统像接力赛，第一棒跑丢了，后面就全完了。Qianfan-OCR 像个人全能运动员，直接看着图片，脑子里过一遍，直接输出整理好的 Markdown 格式文档（就像直接给你一份排版完美的 Word 文档）。
- 好处：速度快，不会在传递过程中丢失信息，而且它记得住文字在图片里的“家”在哪里（空间关系）。
2. 它的独门秘籍：“思考即布局”（Layout-as-Thought）
这是这篇论文最酷的地方。
以前，让 AI 直接输出结果，遇到那种**“文字、图片、表格混在一起”**的复杂试卷或报告时，AI 容易晕头转向，把表格里的数字读错，或者把两栏文字读串了。
Qianfan-OCR 引入了一个**“思考模式”**（就像你在做数学题前先打草稿）：
- 普通模式：直接输出答案。适合简单的文档（比如纯文本）。
- 思考模式：当遇到复杂文档时，AI 会先在心里（或者在输出里）画一张**“思维导图”**。它会先说：“哦，这里有个标题，那里有个表格，那个图在左边，文字在右边……"（生成结构化的布局信息），然后再开始写最终答案。
打个比方：
这就好比你要整理一个乱糟糟的衣柜。
- 普通 AI：直接伸手去抓衣服，容易把袜子塞进衬衫里。
- Qianfan-OCR（思考模式）：先花 1 秒钟把衣柜里的东西分类摆放好（“这是衬衫区，那是裤子区”），然后再把衣服整齐地拿出来。虽然多花了一点点时间，但出来的结果井井有条，绝不混乱。
3. 它是个“多面手”
它不仅能认字，还能：
- 读图表：看懂复杂的统计图，告诉你“这个数据为什么上涨”。
- 做问答：看着合同问你“违约金是多少？”。
- 提取关键信息：从一堆发票里自动把“金额”、“日期”、“商家”挑出来。
🏆 战绩如何？
在最新的“考试”（基准测试）中，Qianfan-OCR 的表现非常亮眼：
- 全能榜第一：在专门测试文档理解的 OmniDocBench 上，它拿到了 93.12 分，是所有“端到端”模型里的第一名，甚至把很多传统的“流水线”老大哥也甩在了身后。
- 中文更强：在处理中文文档、手写体和复杂表格时，它比那些几百亿参数的超级大模型（比如 Qwen3-235B）还要准，而且反应更快。
- 性价比极高：它只有 40 亿参数，却能在单张显卡上跑得飞快，处理速度（每秒处理页数）和那些庞大的流水线系统差不多，但部署起来简单多了。
💡 为什么这很重要？
以前，如果你想让电脑看懂复杂的文档，你得买一套昂贵的软件，还要请一堆工程师去维护那个复杂的“流水线”。
现在，Qianfan-OCR 就像是一个**“瑞士军刀”。你只需要把它放在那里，给它一张图，它就能自动判断**：“这张图很简单，我直接读；那张图很乱，我先思考一下再读。”
它证明了：不需要把任务拆得支离破碎，一个聪明的、能“边想边做”的 AI，就能把文档处理得既快又准。
总结一下：Qianfan-OCR 就是一个会“打草稿”的超级文档管家。它不再需要繁琐的流水线，而是用一种更聪明、更灵活的方式，把混乱的纸质文档瞬间变成整洁、可搜索、可理解的数据。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。