PDF解析迎来技术革新！阿里新产品实现复杂文档端到端结构化处理

推荐语

阿里开源PDF解析神器Logics-Parsing，突破复杂文档结构化处理瓶颈，为AI应用扫清最后障碍。

核心内容：
1. 当前PDF解析技术痛点与Logics-Parsing的创新突破
2. 模型在复杂布局、多模态内容识别的技术优势
3. 开源生态建设与多场景应用价值

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

9月24日云栖大会现场，由阿里巴巴爱橙科技数据技术及产品团队自主研发的PDF解析神器正式亮相并同步开源模型。这款基于Logics-Parsing模型构建的AI工具直指当前PDF解析领域的技术痛点，显著提升复杂文档的结构化处理能力。

PDF 文档作为各行业信息存储与传播的主要载体，通常包含丰富的多模态内容，如文本、图像、表格、数学公式等。不论是为了支持大语言模型（LLM）的训练、构建结构化知识库或是实现智能问答系统（如 RAG），都需要将 PDF 文档中的非结构化内容高效、准确地转换为结构化、机器可读的数据。因此，高质量的PDF 解析能力是支撑下游人工智能应用的关键基础。

然而，现有的 PDF 解析技术在处理复杂文档时仍存在显著缺陷。特别是在高信息密度、多栏布局、图文混排、嵌套表格等复杂场景下，传统方法普遍存在阅读顺序错误、表格结构还原不完整、公式识别错误等问题，严重影响了知识提取的准确性与可用性。

基于上述问题，数据技术及产品团队提出了Logics-Parsing——一个强大的开源文档解析模型。该模型基于Qwen2.5-VL架构，通过在监督微调中融入化学式、手写汉字等多样化数据类型，进一步提升了模型在文档解析领域的通用性。此外，该模型引入精心设计的奖励机制，以优化复杂布局分析和阅读顺序推断。

Logics-Parsing可以轻松理解复杂排版，在保留自然的阅读顺序的同时，精准提取文字、表格、公式、手写字、化学分子式等内容，将PDF或图片转化为qwen-html或mathpix-markdow格式，解决文档解析作为AI应用落地的"最后一公里"难题。团队在自建评测集上验证了Logics-Parsing模型在多种文档分析场景下的SOTA性能，该评测集专为评估模型在STEM学科文档和复杂排版的文档上的解析能力而设计，后续也会开源。

轻松实现端到端处理

• 端到端模型架构无需多阶段流水线处理，从文档图像一步到位生成结构化输出

• 全局优化，在处理具有挑战性的布局的文档时表现优秀

先进的内容元素识别能力

• 准确识别和结构化复杂内容，包括精确的科学公式、手写字等

• 智能识别化学结构，并可将其表示为标准的 SMILES 格式

丰富的结构化输出

• 生成 Qwen HTML 来表示文档，保留其逻辑结构和阅读顺序

• 每个内容块（如段落、表格、图片、公式）都会被标记上其类别、边界框坐标和OCR 内容

• 自动识别并过滤掉页眉、页脚等无关元素，仅关注核心内容

业界领先的性能表现 (SOTA)

• 该产品在团队自建的PDF解析综合评测集上取得了业界最佳（SOTA） 的结果

• 该评测集专为评估模型在 STEM 学科文档和复杂排版的文档上的解析能力而设计

  
  

• 数学公式复现：
  

  实现复杂数学符号的语义级识别，精确复现上下标、运算符等元素的空间结构关系，确保复杂公式的语义完整性和格式还原度。

  
  

• 化学分子式还原：

  精准解析原子连接拓扑与化学键类型，完整还原环状结构、官能团等特征的空间排布关系，支持转换输出为SMILES表达式。

  
  

• 复杂表格解析：

  保留合并单元格，保持行列对应关系，输出结构化表格数据，避免字符粘连及错行等问题，可直接用于数据分析与可视化处理。

  
  

• 手写文字识别：

  有效识别连笔字和个性化书写变体，支持印刷体与手写体混合识别，保留原始段落结构，适用于试卷批改、课堂笔记等典型场景。

目前，该产品已上线ModelScope魔搭社区，面向所有用户开放体验。

产品地址🔗： 

https://www.modelscope.cn/studios/Alibaba-DT/Logics-Parsing/summary

初次使用时，用户可直接进入产品首页点击“在线体验”按钮，系统已内置英文数学论文、化学试卷等多份不同类型pdf、png格式的样例模版作为参考，选择【Examples】中的任意样例后点击“Convert”即可开始解析，整个过程无需注册或上传文件，帮助用户快速熟悉流程，验证解析效果。

解析结果采用双栏可视化界面，左侧呈现原始文档，右侧实时显示渲染结果，并展示进度及耗时，方便校验内容，确保解析质量。输出格式支持qwen-html或mathpix-markdow解析格式，满足不同开发场景需求。

用户现可前往GitHub获取Logics-Parsing模型及推理代码，如需了解更多细节，请参阅团队发布的技术报告。开源项目持续更新维护，欢迎开发者社区共同参与技术迭代。