我要投稿

AI Infra：POINTS-Reader，腾讯开源的文档解析和OCR工具

发布日期：2025-11-04 10:54:02 浏览次数： 1560

作者：平行记陆

微信搜一搜，关注“平行记陆”

“用一个语言模型，看图说话，直接吐出结构化文本，靠自打自喂进化。”

一、定义

端到端视觉-语言OCR：

输入一张文档图 → 输出 Markdown + HTML 表格，中间无OCR、无版式分析、无规则引擎。

二、架构极简主义

组件	选择	原因
视觉编码器	NaViT (600M)	不是ViT-Base，是“适合批处理的视觉Tokenizer” —— 平衡分辨率与推理速度
语言模型	Qwen2.5-3B-Instruct	不用7B，省显存；用Instruct版，天生懂指令
输入格式	图片 + 固定Prompt	“请提取为Markdown和HTML” —— 指令即任务
输出格式	纯文本字符串	无结构化解析器，全靠LLM生成结构

→ 一切结构化，都是语言模型“猜”出来的。

三、核心创新：自演化训练（Self-Evolution）

第一阶段
：用合成文档（AI生成PDF→截图+文本对）教它基本能力
第二阶段
：让模型自己给真实文档打标签 → 挑高质量生成结果 → 用这些“自产数据”再训练自己

→ 像人自学：先看教材，再自己做题，对答案，错的重来

无需人工标注真实数据 → 可无限扩展
模型越强，数据越准 → 正反馈闭环

四、性能真相

指标	值	意义
Edit Distance	英文0.133，中文0.212	比多数OCR+规则系统低（越低越好）
TEDS	较高	表格识别优于传统Pipeline
读序错误	低	懂“从左到右、从上到下”——视觉+文本协同推理

→ 不是最强，但最平衡：不输专业OCR，省掉5个模块。

五、适用场景

电子书/pdf扫描件
（印刷体、版面标准）
财报、合同、发票
（固定格式、无手写）
学术论文
（含公式，它能吃 LaTeX）

→ 不适配：手写笔记、老档案、杂乱照片、多语言混排。

总结

POINTS-Reader 不是OCR的升级，而是用LLM重构了OCR的定义：不是“识别文字”，而是“理解文档”。

它把十年的OCR技术栈，压缩成一个会看图的对话模型，靠自动生成数据成长，靠指令驱动一切。

它不完美，但它证明了一件事：你不需要复杂的系统，你只需要一个足够强的模型，和一个会“喂自己”的训练法。

https://github.com/Tencent/POINTS-Reader

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

2025-11-04

首个国产开源AI原生后端，不再写后端，AI就是全栈工程师。

2025-11-04

DeepCode: 用多智能体架构重新定义代码生成

2025-11-03

震惊，Github开源，真正让程序员效率提升 90%的AI辅助工具来啦！！！

2025-11-03

Dify迎来最强开源对手！这个本地Agent内置微调+超细权限控制~

2025-11-03

我们大胆做了个决定，大会所有音乐bgm由AI生成，这部分预算可以省了！｜Jinqiu Scan

2025-11-03

LongCat-Flash-Omni 正式发布并开源：开启全模态实时交互时代

2025-11-03

科大讯飞“王炸”开源！企业级智能体平台 Astron Agent：原生集成 RPA，Apache 2.0 商业友好！

2025-11-03

DeepSeek-OCR到底厉害在哪？

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

DeepSeek V3.1 Base / Instruct 发布

2025-08-20

阿里Qoder vs Trae vs Cursor：谁才是2025年程序猿的效率之王？

2025-09-07

DeepSeek-V3.1-Base来了！MoE架构+128K上下文，性能再进化

2025-08-20

重磅开源！通义万相最新模型来了

2025-08-26

阿里AI编程 IDE Qoder 正式发布，BAT 终于凑齐了！

2025-08-22

开源发布！适合中国宝宝的 LangGraph 智能体开发模板！

2025-09-06

DeepSeek又开源，这次是OCR模型！附论文解读！

2025-10-20

DeepSeek-V3.1发布，拿下全球开源第一，确实可以封神了！（附一手实测）

2025-08-22

Claude不让用，有哪些国产模型能迎头赶上？

2025-09-08

智谱发布开源视觉推理模型GLM-4.5V，刷新41项多模态推理SOTA

2025-08-12

大家都在问

DeepSeek-OCR到底厉害在哪？

2025-11-03

n8n如何调用最近爆火的deepseek OCR？

2025-10-29

小红书入局AI智能体开源DeepAgent，在计划什么更新？

2025-10-28

埃森哲的大裁员，向市场发出了什么信号？

2025-10-13

DeepSeek-V3.2背后的国产算子编程语言TileLang是什么？如何保持性能领先的同时减少6倍代码量？

2025-09-29

Qwen3-Next 首测！Qwen3.5的预览版？但为什么我的测试一塌糊涂？

2025-09-17

Dify Pre-release版本来了，Dify2.0时代不远了，看看有哪些进步？

2025-09-09

Claude不让用，有哪些国产模型能迎头赶上？

2025-09-08

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 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB

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