我要投稿

多模态文档解析模型进展：UNIREC-0.1B架构、数据情况、实际测试

发布日期：2026-01-09 12:29:03 浏览次数： 1560

作者：大模型自然语言处理

微信搜一搜，关注“大模型自然语言处理”

UNIREC是一个0.1B参数量的模型，整体pipline遵循layout（直接拿的paddleocr的layout模型）+ VLM OCR（UNIREC-0.1B）。从这个模型可以看一个趋势，VLM-OCR正在朝参数小进化。下面来看简单看下模型架构、数据情况、实际测试，性能实际测下来一般，仅供参考。模型结构

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
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...

模型架构

模型结构

视觉编码器：FocalSVTR
连接器：线性层
语言模型：M2M100

特别的：最大宽度和高度分别限制在 960 和1408 像素。

数据

UniRec40M 的构成，该数据集包含近 3000 万英文样本和 1000 万中文样本。数据集包括 1900 万纯文本、1300 万仅含公式以及 800 万文本与公式混合的样本。

与paddleocr-vl、mineru等一样，训练UNIREC-0.1B时构造相关block（文本、公式、表格等）数据-UniRec40M（数据未开源）。

实验性能

实际测试case

测试链接：https://modelscope.cn/studios/topdktu/OpenDoc-0.1B-Demo 笔者随便截取了tech report中的几页，效果如下（由于版式分析模型是使用的paddleocr的layout模型，测试主要关注下block的ocr format能力，测了两张不是特别好，就未压测）：

case1

case2

识别如下：

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-01-10

Pulsar特性在AI场景中的使用

2026-01-10

多模态检索新突破！Qwen3-VL-Embedding/Reranker AI 真正“看懂“你在搜什么，从图片到视频全拿下！

2026-01-09

DeepSeek OCR + mHC 将开启多模态“信息动力学”新范式

2026-01-09

Qwen3-VL-Embedding系列上新：探索统一多模态表征与排序

2026-01-06

NVIDIA Audio2Face-3D 实时语音驱动面部动画最新部署指南

2026-01-05

阿里突然开源Live Avatar！虚拟人进入“无限续帧时代”

2026-01-05

蓝色光标×火山引擎：用AI实现多模态内容创作自由

2026-01-04

20年过去了，大厂们又开始卷输入法了。

了解更多

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

谁是OCR王者？MinerU、PaddleOCR、DeepSeek-OCR 实测对比，集成一个多模态PDF解析系统

2025-11-10

万字拆解UI-TARS 2.0，看懂豆包手机背后的核心技术

2025-12-15

微软又上大分！刚刚开源一款 0.5B 轻量级实时 TTS 模型，还能边想边说！

2025-12-06

DeepSeek-OCR多模态数据分析Agent实战

2025-10-31

DeepSeek-OCR 实测

2025-10-22

阿里 Qwen3-TTS 全新上线！支持9种方言+49种音色，连天津味儿都拿捏了！

2025-12-07

GLM-TTS技术报告：基于多奖励强化学习的可控发音语音合成

2025-12-11

Gemini 3 多模态Prompt：手相宗师 - 玄师

2025-11-19

声画俱全，一镜入戏 | Seedance 1.5 pro 音视频创作模型正式发布

2025-12-17

蓝色光标×火山引擎：用AI实现多模态内容创作自由

2026-01-05

大家都在问

一篇文章讲清楚：到底什么是NotebookLM？除了PPT，它还能做啥？

2025-12-31

GenAI的多模态数据智能平台如何构建？

2025-08-04

本地AI对话神奇，ChatWise到底有什么用？

2025-05-26

什么是基于知识图谱的多模态推理？

2025-05-13

AI数字人领域重大突破：告别拼凑式合成，阿里OmniTalker能否开启音视频一体化新时代？

2025-04-08

Midjourney V7全面测评：50组多风格提示词实测，是否还有领先优势?

2025-04-05

如何结合多模态RAG和异步调用实现大模型内容理解？

2025-03-30

Chat GPT文生图不用DALL·E模型了？

2025-03-26

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean

应聘简历请发送至： ceo@53ai.com

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部