复旦开源的OpenOCR，面向「文字检测与识别」、「公式与表格识别」、「文档解析和理解」等通用 OCR 任务的开源平台。其中，OpenDoc是一个仅有0.1B参数的超轻量文档解析系统。

OpenDoc跟MinerU非常类似，同样是Pipeline多阶段的解析模式.

可见在文档解析领域，即要快，又要准的的情况下，小参数模型pieline模式，比大参数端到端的模型更具有竞争力。

二者最重要的区别在于，MinerU是一个缝合怪，每个独立阶段的连接处，都有很多小技巧，来弥补上下游误差的损失，一旦用自己训练的垂直领域的模型，替换中间某个模型，就很容易放大这些误差，导致垂直领域的解析效果变差。

OpenDoc虽然也是Pipeline模式，但是它只有两个阶段：先做版面分析，后做解析。

• 版面分析，用的百度PP-DocLayoutV2，模型小识别速度快
• 解析：用UniRec-0.1B，同时覆盖了：纯文本（单词、行、段落）、公式（单行、多行）、文本与公式混合的内容，以及表格。

两阶段的文档解析，就不会放大每阶段的误差，微调UniRec-0.1B就可以。

UniRec-0.1B

模型架构

• 图像编码器（Image Encoder）：采用FocalNet架构，输入图像保持原始长宽比，最大尺寸960×1408像素。
• 视觉token化：将空间维度展平为token序列
• 语义解耦分词器（SDT）：将包含层级监督token的文本标签转换为离散token序列
• 多模态解码器（Decoder）：6层Transformer，带交叉注意力模块

技术创新一：分层监督训练（ HST）

传统的序列生成模型将文档内容视为扁平的token序列，忽略了文本固有的层级结构（行内关系、段落边界）。

这种简化限制了模型对空间布局表征的学习能力。 

例如，一个段落内的多行文本之间存在明确的阅读顺序和紧密的语义关联，而段落之间的分割则意味着主题转换。

方案：

• HST通过在标签序列中显式插入层级监督token，引导模型学习结构化的空间依赖
• <|ln|>（Line Break Token）：表示段落内的换行，用于分隔同一段落中的不同文本行
• <|pn|>（Paragraph Break Token）：表示段落结束，用于分隔不同段落 在训练阶段，这些特殊token作为监督信号强制模型预测结构边界；在推理阶段，<|ln|>被移除，<|pn|>被替换为两个换行符\n\n，从而准确重建文档的段落结构。

HST能够有效捕获跨行、跨段落的结构依赖，尤其对复杂布局文档效果显著。

技术创新二：语义解耦分词器（SDT）

现有方法（如Dolphin Tokenizer）通常在混合语料上训练单一的BPE分词器，导致文本token与公式token共享嵌入空间。 

例如：字符串"sum"、"infty"、"frac"在文本语境中是普通词汇，在公式语境中则是命令词，但耦合分词器赋予它们相同的embedding。 

对于大模型，这种歧义可通过上下文消歧；但对于0.1B参数的小模型，容量限制使其难以有效区分，导致严重的语义混淆和识别错误。

方案

SDT采用完全分离的训练策略：

• 独立训练：分别在纯文本语料和公式语料上训练两个独立的分词器
• 词汇合并：将公式分词器的token以"特殊token"形式合并入文本分词器，排除已存在于文本词汇表中的重复项
• 语义隔离：确保相同字符串在文本和公式模态下拥有截然不同的token ID和embedding

在SDT中，"sum"、"infty"等词在文本和公式模态下拥有独立的embedding向量，从根本上消除了跨模态语义纠缠。

UniRec的特点

• 准确率对比：

• 推理速度：
• 相比PaddleOCR-VL：5.1倍加速（block级），5.1倍加速（page级）
• 相比MinerU2.5：6.9倍加速（page级）
• 相比Dolphin-1.5：2.1倍加速

小结

1. 在对性能、速度有极致要求的情况下，pipeline是非常有竞争优势的，但是链路不宜太多，2层足以。
2. 在确定用小模型解析的情况下，语义解耦很重要，能有效防止在解码时产生歧义，导致解码错误
3. 通过精细的数据工程、任务特定的架构设计和针对性的训练策略，小模型完全可以在特定垂直领域超越通用大模型的性能