继续跟进【文档智能】解析进展。在前期专栏中总结过，文档解析范式分三个：（1）基于ocr-pipeline；（2）基于layout+vlm的两阶段；（3）基于vlm端到端；Qianfan-OCR是一个4B参数量的端到端的多模态文档解析模型，解决了传统OCR流水线的误差传播、视觉上下文丢失、部署复杂等问题，其方法体系围绕端到端架构设计、Layout-as-Thought机制、大规模数据合成、四阶段渐进式训练四大核心展开，下面来看看方案。

模型架构

Qianfan-OCR基于Qianfan-VL的多模态桥接架构改造，将所有文档处理任务融入单一模型，遵循经典的Vit【Qianfan-ViT（高分辨率自适应编码）专为文档OCR的高密度文本、小字体、复杂布局设计，核心特性是AnyResolution动态分块】+MLP（两层带GELU激活的MLP）+LLM【Qwen3-4B：平衡复杂文档推理能力和生产级部署效率】架构。

核心方法：Layout-as-Thought机制

该机制解决了纯端到端OCR缺乏显式布局分析的痛点：流水线OCR可输出元素边界框、类型和阅读顺序，而传统端到端OCR直接生成结果，丢失了空间定位能力。

机制定义：通过**⟨ think ⟩特殊token触发的可选思维阶段**，模型在生成最终输出前，先生成结构化的布局表示（边界框、元素类型、阅读顺序），将布局分析转化为模型的“中间推理步骤”，而非独立的前置任务。

技术实现细节

（1）布局表示的结构化输出

触发⟨think⟩后，模型生成的布局信息包含三个核心字段，封装在<layout>...</layout>标签中：

• <box>：归一化到[0,999]的边界框坐标，使用**<COORD_0>~<COORD_999>专用token**表示，相比纯数字编码减少50%的输出长度，降低推理延迟；
• <label>：元素类型标签，采用PaddleOCR-VL的25类精细标签体系，分为4组（文本元素12类、页眉页脚4类、图/表6类、公式3类）；
• <brief>：文本类元素的内容摘要，非文本元素（如图、表）的视觉描述。

（2）坐标token的优化设计

所有坐标均映射为单一专用token，而非数字序列（如“779”需3个token，< COORD_779 >仅1个），解决了复杂文档（单页60+元素）的布局推理延迟问题。

（3）对最终输出的引导方式

布局推理结果通过两种方式提升最终输出质量：

• 元素类型感知生成：识别到公式则用"$$"包裹，识别到表格则转化为HTML，识别到图片则插入正确位置的占位符；
• 阅读顺序引导排序：按文档的自然阅读顺序枚举元素，解决多列、图文交错、脚注等场景的输出顺序混乱问题。

数据引擎

端到端模型的性能高度依赖数据，Qianfan-OCR针对OCR的专属任务设计了六大数据合成流水线，覆盖文档解析、KIE、复杂表格、图表理解、公式识别、多语言OCR，并通过多维度增强保证数据的多样性和真实性，最终生成支撑四阶段训练的大规模高质量数据集。

六大核心数据合成流水线

流水线类型	核心设计	特点
文档解析数据	基于PaddleOCR-VL将文档图像转为结构化Markdown，表格转HTML、公式包$$块	归一化边界框[0,999]，过滤重复/超长样本，图像增强（压缩、翻转、模糊）
Layout-as-Thought数据	构造⟨think⟩触发的布局推理样本，包含边界框、标签、摘要	聚焦复杂布局（多列、图文交错），强化空间推理能力
关键信息提取（KIE）数据	支持“全提取”和“目标提取”，多模型协同标注解决幻觉问题	语义泛化（同一字段多同义描述）、业务规则过滤（如单价×数量=总价）、难样本挖掘
复杂表格数据	程序合成+真实文档提取结合，支持单元格合并、50+CSS主题渲染	几何变换、颜色扰动、模糊增强，双模型（PaddleOCR-VL+内部表格模型）一致性验证
图表理解数据	基于arXiv LaTeX源码提取图表，TexLive渲染矢量图，VLM生成视觉描述	覆盖11类主流图表，为不同图表设计定制推理任务（折线图趋势分析、箱线图异常检测），合成30万+样本
多语言OCR数据	基于HPLT多语言语料的反向合成，支持192种语言	差异化处理不同书写体系（RTL阿拉伯语、梵文等），自动检测文字方向、阿拉伯语字符重塑

文档图像增强策略

针对OCR和布局解析的不同需求，设计两套增强流水线，均包含三级噪声+旋转增强：

1. 三级噪声增强
   • 文本噪声：笔画断裂、墨水渗透、字符错位；
   • 背景噪声：纹理、颜色漂移、水印；
   • 成像噪声：模糊、摩尔纹、阴影、曝光变化；
2. 旋转增强：90°/180°/270°旋转+±15°倾斜，解决票据、证件等非标准朝向的识别问题。

训练方法

Qianfan-OCR采用Qianfan-VL的多阶段渐进式训练方法论，核心是从通用能力到OCR专属能力的逐步强化，同时通过数据混合策略防止灾难性遗忘。

训练阶段	核心目标	数据规模	训练模块	关键数据混合	学习率	全局批次
阶段1：跨模态对齐	建立视觉-语言基础对齐，稳定初始化	50Btoken	仅适配器	基础图像-标题对+简单OCR任务	1e-3	1024
阶段2：基础OCR训练	构建全面OCR能力，覆盖通用场景	2Ttoken	全参数	文档OCR(45%)+场景OCR(25%)+标题(15%)+专用OCR(15%)	2e-5	2048
阶段3：领域专属增强	强化企业级关键OCR领域能力	800Btoken	全参数	复杂表格(22%)+公式(20%)+图表(18%)+KIE(18%)+多语言(12%)+文档理解(10%)，7:3专属/通用数据	1e-5	2048
阶段4：指令调优与推理增强	适配多样化用户Prompt，提升复杂推理能力	数百万指令样本	全参数	公共数据改写+反向合成QA+图表数据挖掘	1e-5	512

实验性能

参考文献

• Qianfan-OCR: A Unified End-to-End Model for Document Intelligence，https://arxiv.org/pdf/2603.13398

• 模型权重：https://www.modelscope.cn/models/baidu-qianfan/Qianfan-OCR

往期相关

多模态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

• 多模态文档智能解析开源进展：针对形变文档优化的PaddleOCR-VL-1.5架构改进点

• 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

• 多模态文档解析模型新进展：腾讯开源HunyuanOCR-1B模型架构、训练配方

• 强化学习GRPO（格式奖励）在多模态文档解析中的运用方法

• 多模态文档解析开源新进展-DeepSeek-OCR2.0架构、数据、训练方法

• 多模态文档智能解析持续开源进展：Youtu-Parsing模型架构、数据、训练方法

• 多模态文档解析最新开源进展：2B参数FireRed-OCR模型方法

• 多模态文档解析新进展：多模态OCR解析文档中的任意内容实现方案

…