拿到一份扫描文档，丢给一个视觉语言模型做解析。模型看了一眼图片，视觉编码器几十毫秒就处理完了，然后开始一个字一个字地往外吐结果。
看着挺正常对吧。但如果你去掐表算一下，会发现一个很反直觉的事实。
文档解析模型真正慢的地方，根本不在「看」，而在「写」。
看得快，写得慢
论文链接：https://arxiv.org/abs/2607.18839
PaddleOCR团队在HPD-Parsing论文里做了一个profiling实验，结果挺扎眼的。他们用InternVL3.5-1B作为基线，在vLLM上batch size 16跑了一遍标准自回归解析，把编码器和解码器的耗时分别拆开统计。
结果显示，视觉编码器的耗时基本稳定，不管文档多长都差不多。但解码器的耗时会随输出长度快速增长，长文档场景下，解码耗时可以接近视觉编码的500倍。
500倍，你想想看，模型其实已经把整页内容都看到了，视觉信息早就编码完毕。但它还是被迫沿着一条自回归序列，一个token接一个token地把结果「抄写」出来。页面越复杂、内容越多，这条序列就越长，等待就越久。
这不是某个工程实现不够好的问题，这是自回归解码范式本身的结构性瓶颈。
PaddleOCR团队把这个洞察往前推了一步。页面结构确实需要全局理解，标题层级、多栏布局、阅读顺序这些东西得整体协调。但某个文本段落、公式或表格的具体内容解析，往往只依赖对应区域的图像和必要上下文，不需要等其他区域全部生成完毕。
文档需要整体理解，却不需要整体串行生成。
这句话是HPD-Parsing整个技术方案的认知起点。基于这个判断，他们提出了层级并行文档解析（Hierarchical Parallel Document Parsing），把传统单一自回归序列重构为具有层级关系的并行生成过程。
全局协调，局部并行
理解HPD-Parsing的关键，在于想清楚一个问题，为什么文档解析可以并行。
答案藏在文档本身的结构里。一份文档天然有层级，标题、段落、公式、表格，这些东西在空间上彼此独立。主布局分支负责理解页面结构，确定每个区域是什么类型、在什么位置、阅读顺序怎么排。当一个区域的边界和类型确定了，这个区域的具体内容就可以交给一个独立的内容分支去解码。
这跟传统的pipeline方法不一样。Pipeline是先用一个模块做版面分析，再把切好的区域丢给另一个模块识别，模块之间割裂，而且检测出错会直接传导到识别阶段。HPD-Parsing把区域级并行直接融入统一模型的解码过程，各内容分支共享整页视觉上下文，主布局分支持续维护区域关系和阅读顺序。
分工不等于重复劳动。HPD-Parsing用了共享前缀KV Cache复用机制，新分支可以直接复用已计算的视觉信息和布局前缀，不用重新编码整页图像，也不用重复执行完整的prefill过程。
更关键的是上下文隔离。传统全页自回归解码里，每个新生成的token都要attend到之前所有输出，KV cache和注意力开销随文档长度持续增长。HPD-Parsing里每个内容分支只attend共享视觉上下文、自己的结构前缀和自己生成的内容，跟其他区域的文本历史完全隔离。这不仅省了计算，还带来了一个意外好处，后面会讲到。
主布局分支在阅读顺序中逐个识别区域，每遇到一个<FORK>标记就动态创建一个内容分支。内容分支替换标记为<CHILD>后开始生成区域内容，主分支则继续往前走，识别下一个区域。多个内容分支可以同时跑。
这就是第一层并行，分支间并行。
每个分支一次读N个字
分支间并行解决了区域之间的等待问题，但每个分支内部仍然是逐token解码的串行路径。
HPD-Parsing在这里接入了PaddleOCR团队此前在ECCV 2026提出的P-MTP（Progressive Multi-Token Prediction，渐进式多Token预测）技术。P-MTP用一个轻量残差MLP从解码器隐状态预测多个未来token，在一次解码迭代中同时预测并验证，验证通过的token直接纳入输出。
实际测试中，HPD-Parsing平均每个解码步骤可以接受6.6个token。这意味着布局分支和内容分支都能用更少的解码步数完成生成。
两层并行合在一起，分支间并行减少区域间的相互等待，分支内P-MTP减少单个区域内部的解码步数。整页内容不再沿着一条冗长的序列逐步生成，而是在不同区域之间并行展开，每个区域内部也更快推进。
效率，而且是越长的文档越快
光说机制不够，得看数据。
HPD-Parsing在OmniDocBench v1.6评测集上做了512并发的推理效率测试，结果在论文Table 2里列得很清楚。
1B参数的基线自回归模型，TPS（每秒Token生成量）1554.8，PPS（每秒页吞吐量）1.02。引入HPD后，TPS拉到4752.1，PPS拉到2.68，分别提升3.06倍和2.62倍。
跟其他模型比呢。DeepSeek-OCR-2是3B-A0.5B架构，TPS 2932.1，PPS 2.05。HPD-Parsing用1B参数做到了TPS比它高62%，PPS比它高31%。要知道HPD-Parsing每页处理的输入token大约4800个，是DeepSeek-OCR-2的四倍多，在这种更大的输入预算下仍然跑得更快。
但更值得关注的是一个结构性优势。论文把OmniDocBench v1.6测试集按输出长度等间隔划分，对比HPD-Parsing和基线在不同长度桶上的表现。
传统自回归解析的解码步数大致跟总输出长度成正比，文档越长，步数越多。HPD-Parsing的关键解码路径主要由最长活跃分支决定，而不是所有块长度的总和。P-MTP又进一步缩短了每条分支的解码轨迹。
结果就是，文档越长，HPD-Parsing的优势越大。在最长的输出长度桶里，解码步数最高压缩18.04倍，批量请求吞吐最高提升3.67倍，单并发推理时延最高下降5.8倍。
这不是固定比例的加速，而是从解码机制上缓解了「文档越长、等待越久」的结构性瓶颈。页面越复杂、可并行解析的区域越多，效率优势越明显。
快了，但准吗
效率上去了，精度会不会掉。这是所有人最自然的问题。
论文Table 1给出了OmniDocBench v1.6上的完整精度对比。HPD-Parsing以1B参数做到了Overall 94.91分，在端到端统一解析模型里拿到了新SOTA。
对比一下，4B参数的Qianfan-OCR是93.90分，4B的Logics-Parsing-v2是93.33分，2B的FireRed-OCR是93.26分。HPD-Parsing用更小的模型超过了这些更大的统一模型。在阅读顺序指标上，ReadOrderEdit达到了0.124，在统一模型里也是最好的。
这说明一件事，把布局和内容的监督分解开，不仅没有损失全局上下文，反而让不同解析能力得到了更有针对性的优化。
论文还给了几组定性对比，在Figure 9里展示了HPD-Parsing相对pipeline方法和统一自回归方法的三个关键优势。
第一，对检测误差的鲁棒性。Pipeline方法高度依赖版面分析阶段，bounding box不准就会直接导致识别错误。HPD-Parsing在解析过程中保留了文档级视觉和语义上下文，即使区域定位不完美也能正确识别。
第二，相似字符的处理。Pipeline方法处理孤立文本区域时上下文有限，容易把数字0和大写字母O搞混。HPD-Parsing利用更广的文档上下文来消歧。
第三，也是最有意思的一点，错误传播阻断。统一自回归方法一旦在某个位置出错，可能进入重复解码，错误输出会沿着序列传播到后续所有内容。而HPD-Parsing的局部内容在独立分支里解码，重复错误被限制在单个区域内，不会影响后续文档块。
这就是前面说的上下文隔离带来的意外好处。它不只是省计算，还从结构上阻断了错误的跨区域传播。
怎么训出来的
从传统全页串行生成迁移到层级并行解码，不是换个推理方式就行的事，模型得重新学一套解码范式。
HPD-Parsing设计了三阶段训练策略。
第一阶段，280万条全页样本，用传统全页序列生成格式训练，建立通用文档解析能力，同时初始化P-MTP的多token预测能力。学习率1e-4。
第二阶段 ，10万条分支训练样本，把每页重新组织成布局解析实例和内容解码实例两种格式，让模型学会新的解码角色。布局实例监督完整结构序列，内容实例只在<CHILD>之后的局部转录部分施加监督。学习率1e-5。
第三阶段，600条代表性难例，通过强化学习做针对性优化。利用层级输出结构，把奖励信号分配到不同解析组件上，对公式质量、表格解析、布局预测分别设计任务感知奖励，加上基于计数的一致性奖励。学习率5e-7。
训练配置上，8张A800 80GB，bfloat16精度，DeepSpeed ZeRO-1加gradient checkpointing，FlashAttention加速，最大序列长度16000 token。
数据侧也有一套自动化引擎。先对原始文档做特征提取和聚类采样，扩大覆盖、减少重复。然后用PaddleOCR-VL-1.5和MinerU-2.5 Pro等多模型生成伪标签，跟中间阶段的HPD-Parsing checkpoint对比，按解析差异分成简单、中等、困难三档。困难样本用更强的VLM多轮检查、生成和纠正。最后从难度、文档类型和内容属性多个维度做分布平衡。
这套流程让模型能从传统范式渐进迁移到新范式，同时用少量数据实现了解码范式的切换。
回到开头那个问题。文档解析的瓶颈到底在哪。
HPD-Parsing给出的答案是，瓶颈不在视觉编码，不在模型太小或太大，而在生成方式本身。当一份文档的内容天然可以按区域拆分、并行解码时，强迫所有内容沿一条序列串行输出，就是一种结构性的浪费。
PaddleOCR团队做的事情，是把这个浪费从机制层面消掉了。1B参数，OmniDocBench v1.6上94.91分，TPS 4752.1，效率比基线快3倍，长文档场景下解码步数压缩18倍。这些数字背后是一个更根本的判断，页面结构需要全局协调，区域内容则可以局部并行。
论文在结论里提到，这种结构化并行的思路不局限于单页解析，还可以扩展到关键信息提取、多页文档理解等具有层级结构的生成任务。这种解码范式和视觉token压缩、注意力长度压缩等加速手段也不冲突，可以叠加使用。
国产OCR在这条线上已经走了很远。从PaddleOCR-VL系列到HPD-Parsing，PaddleOCR团队在0.9B-1B这个参数量级上持续打磨，既有效果导向的PaddleOCR-VL-1.5（OmniDocBench v1.6 上96.3分），也有效率导向的HPD-Parsing。一个追精度天花板，一个追效率天花板，两者互补。
如果你对解析效果有强需求，PaddleOCR-VL系列仍然是首选。如果你对推理效率有强需求，尤其是扫描文档场景下需要高吞吐部署，HPD-Parsing值得试一试。
代码和权重都在GitHub和HuggingFace上开源了
-
HuggingFace, https://huggingface.co/PaddlePaddle/HPD-Parsing
感谢阅读。点个关注，不迷路，我们后续会持续跟进文档解析、OCR领域的前沿技术动态，第一时间为你解读。