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： 1960

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

2026-05-25

罗福莉说的“伪多Agent”，我试了OmniWork后发现，真全干专家长这样

2026-05-19

从画稿到代码，AI Agent 正在吃掉产品设计的中间环节

2026-05-16

PDF解析折腾半年，最后靠这套方案搞定了

2026-04-27

一个神奇的视频生成 Skills，实测，狂喜

2026-04-26

你的一人公司品牌部，带着Image-2模型的lovart中文版来了

2026-04-22

MNN-Sana-Edit-V2：端侧运行的图像漫画风编辑大模型

2026-04-22

刚刚！Codex 居然能直接画图了，OpenAI 凌晨甩出 Image 2.0

2026-04-21

PaddleOCR 3.5 发布：Web 端直用、文档一键转 Markdown，生态交互新体验

联系获取

联系获取

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

刚刚！Codex 居然能直接画图了，OpenAI 凌晨甩出 Image 2.0

2026-04-22

震惊！即梦推出 CLI，Agent 一行命令生成 Seedance 2.0 视频，AI 视频井喷

2026-04-01

零帧起手 Codex × Figma 双向工作流实操

2026-03-05

全解读｜智谱 GLM-5V-Turbo 发布，多模态 Coding 基模

2026-04-02

NanoBanana 2.0 来了，对比前一代和即梦 5.0 lite，它依旧强的离谱

2026-02-27

Google 发布首个全模态 Embedding 2 模型，文本图片音视频 PDF 统一到一个向量空间

2026-03-11

GLM-OCR技术细节全公开

2026-03-18

让“龙虾”帮你自动赚钱！OpenClaw Seedance 2.0 视频生成全攻略

2026-03-29

我复刻了 Claude 刚发布的生成式 UI 交互！

2026-03-15

用Claude Code剪视频，自动去口癖、加字幕、调色，完全免费开源

2026-04-21

大家都在问

Gemini Embedding 2把多模态信息整合同一向量空间了，还需要多向量列吗？

2026-03-12

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

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 Skill 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 FDE AI+医疗 MaxKB Palantir Glean Openclaw

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