dots.ocr：1.7B参数实现多语言文档解析新范式

dots.ocr：1.7B参数实现多语言文档解析新范式

【免费下载链接】dots.ocr项目地址: https://ai.gitcode.com/hf_mirrors/rednote-hilab/dots.ocr

导语

近日，由rednote-hilab开发的dots.ocr模型正式发布，这款基于1.7B参数大语言模型的文档解析工具，通过统一的视觉-语言架构实现了多语言文档的高效解析，在文本识别、表格提取和阅读顺序等核心指标上达到行业领先水平。

行业现状

随着数字化转型加速，企业和个人对文档智能处理的需求呈爆发式增长。传统OCR技术多采用多模型 pipeline 架构，在处理复杂排版、多语言混合和特殊元素（如公式、表格）时往往面临精度不足、部署复杂等问题。据OmniDocBench最新数据显示，现有解决方案在跨语言场景下的平均错误率超过30%，而处理包含公式和复杂表格的文档时性能更是下降明显。

与此同时，大语言模型的发展为文档理解带来新可能。参数规模从百亿到千亿的通用视觉语言模型（VLM）虽在部分任务上表现出色，但高计算成本和部署门槛限制了其在实际业务中的应用。市场亟需兼具高性能与轻量化特性的专业文档解析模型。

产品/模型亮点

dots.ocr通过四大创新突破重新定义了文档解析技术：

1. 一体化架构设计

不同于传统多模型拼接方案，dots.ocr采用单一视觉-语言模型架构，将布局检测、内容识别和阅读顺序排序等任务统一到一个模型中完成。用户仅需通过修改输入提示词即可切换不同解析任务，大幅简化了系统复杂度。

2. 卓越性能表现

在国际权威评测集OmniDocBench上，dots.ocr以1.7B参数体量实现了超越多数大模型的性能：

• 文本识别错误率（Edit↓）：英文0.032、中文0.066，均为当前最佳
• 表格提取TEDS分数：英文88.6、中文89.0，超越GPT-4o和Gemini2.5-Pro
• 阅读顺序排序错误率：英文0.040、中文0.067，领先行业平均水平40%以上

这张对比图清晰展示了dots.ocr在英文、中文和多语言场景下的端到端评估优势。特别是在多语言任务中，dots.ocr的综合表现超越了包括doubao-1.5在内的众多竞品，验证了其在低资源语言处理上的独特优势。

3. 强大的多语言支持

dots.ocr在包含100种语言的内部测试集（dots.ocr-bench）上表现突出，对藏文、梵文等低资源语言的识别准确率较现有方案提升60%以上。其创新的语言自适应机制能够自动识别文本语种并优化识别策略，在多语言混合文档中仍保持92%以上的整体准确率。

该图展示了dots.ocr处理藏文文档的效果，左侧为原始文档预览，右侧为Markdown渲染结果。即使面对这种复杂的非拉丁文字符，模型依然能够保持良好的排版结构和内容准确性，体现了其强大的多语言处理能力。

4. 高效轻量部署

基于1.7B参数的优化设计，dots.ocr可在单张消费级GPU上实现实时推理，解析速度较同等性能的多模型方案提升3倍。通过vLLM加速部署，单GPU可支持每秒10页的PDF解析吞吐量，满足企业级批量处理需求。

行业影响

dots.ocr的推出将在多个领域产生深远影响：

在金融领域，其高精度表格提取能力可将财报自动化处理准确率提升至98%以上，大幅降低人工校验成本；在科研场景，模型对复杂公式的LaTeX转换功能（准确率89.3%）将加速学术论文的数字化和知识图谱构建；在多语言内容管理领域，dots.ocr的低资源语言支持能力为跨境企业提供了文档本地化的新工具。

值得注意的是，dots.ocr采用MIT开源协议，开发者可自由用于商业项目。这种开放策略有望加速文档智能处理技术的普及，推动教育、医疗、法律等行业的数字化转型。

结论/前瞻

dots.ocr以1.7B参数实现了文档解析性能的突破，证明了专业优化的中小模型在垂直领域完全可以媲美甚至超越通用大模型。其统一架构设计不仅简化了部署流程，还为后续功能扩展提供了灵活基础。

未来，开发团队计划进一步优化表格和公式解析能力，并探索图片内容理解功能。随着模型迭代，我们有理由相信，dots.ocr将成为文档智能处理的新标杆，推动行业从"能识别"向"能理解"跨越，为构建真正的文档知识图谱奠定基础。

【免费下载链接】dots.ocr项目地址: https://ai.gitcode.com/hf_mirrors/rednote-hilab/dots.ocr