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： 1781

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

2025-12-19

小米大模型Mimo-V2-Flash本地部署

2025-12-19

VTP：MiniMax海螺视频团队首次开源工作

2025-12-19

更大更强！限时免费！阶跃星辰 GUI Agent 全面升级

2025-12-18

美团 LongCat-Video-Avatar 发布，实现开源SOTA级拟真表现

2025-12-17

llama.cpp Server 引入路由模式：多模型热切换与进程隔离机制详解

2025-12-17

小米MiMo-V2-Flash开源：3090亿参数大模型能否改写AI行业规则!

2025-12-17

ollama v0.13.4 发布——全新模型与性能优化详解

2025-12-17

n8n 悄悄发布了 v2.1.

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

全新AI编程工具 Google Antigravity 实测，特别适合产品经理

2025-11-19

DeepSeek又开源，这次是OCR模型！附论文解读！

2025-10-20

发现一个超神的Github开源OCR项目，国产多模态杀疯了

2025-10-27

MiniMax悄悄发布M2，8%价格打出Claude级性能

2025-10-27

如愿以偿！Qwen3-VL再开源30B-A3B，附实测！

2025-10-03

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

n8n如何调用最近爆火的deepseek OCR？

2025-10-29

让白宫“破防”的阿里千问，我替你们测了...

2025-11-17

DeepSeek-V3.2-Exp开源，附论文细节解读！

2025-09-29

最强开源0.9B级OCR模型！PaddleOCR-VL本地一键部署，私密性拉满【喂饭级教程】

2025-11-07

大家都在问

我们为什么选择 Spring AI 开发智能体，而不是 Dify？

2025-11-12

开源安全审核模型终极PK：Qwen3Guard、OpenAI-SafeGuard、Llama4-Guard谁才是王者？

2025-11-10

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

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

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