一个2.5B参数的文档解析模型，推理速度竟然比3B的dots.ocr快了一倍多。这不是「模型更小所以更快」那么简单，秘密藏在一种叫「无损并行解码」的方法里。
更反直觉的是，表格识别场景的加速比达到了26.82倍。
这就是腾讯优图实验室发布的 Youtu-Parsing，论文讲到是在 OmniDocBench v1.5 和 olmOCR-bench 两大基准上拿到 SOTA 的文档解析模型。代码、模型权重和在线 Demo 都已经开源。
Figure 1 直观展示了它在多个维度上的综合位置，2.5B 专用模型在结构化任务上全面超越更大的通用模型。
先说结论，它的真正价值不是「又一个OCR SOTA」
坦率的讲，Youtu-Parsing 在 OmniDocBench 上的 Overall 得分93.22，只比第二名 PaddleOCR-VL 的92.56高了0.66分。在纯文本编辑距离上，它0.045的成绩还不如 PaddleOCR-VL 的0.035（越低越好）。
但它的真正新意不在这里。
Youtu-Parsing 在文档解析领域系统性地验证了，文档输出的结构规律性可以被转化为解码加速资源。表格的 OTSL 标记（一种用固定标签描述表格行列结构的格式化语言）、公式的 LaTeX 语法，这些高度规律化的输出模式让模型可以一次猜64个 token，猜对了直接用，猜错了截断重来。而且通过验证机制，保证输出和逐字生成完全一致。
这才是它真正值得深聊的地方。
三阶段解耦架构，并行的前提条件
要理解并行解码为什么能 work，得先看架构。
现有文档解析方法主要分两类。pipeline 方法把任务拆成布局检测、文本识别、表格解析等模块串联，问题是模块间的级联错误会逐级放大。端到端多模态模型直接出结果，但在长文档上容易产生幻觉，效率也成问题。
Youtu-Parsing 走的是第三条路，三阶段解耦，整体框架如 Figure 3 所示。
第一阶段，用0.4B参数的 NaViT 视觉编码器处理一次页面，生成共享视觉特征图。第二阶段，Youtu-LLM-2B 根据全局特征做版面分析，输出每个元素的坐标和类别。第三阶段，用坐标加类别作为区域提示，从同一份特征图里取回内容做精细识别。
关键设计在于，视觉特征只提取一次，被版面分析和区域识别共享。这避免了 pipeline 中每个区域重新跑视觉模型的重复计算，同时让区域间可以独立查询，为后面的 Query Parallelism 创造了条件。
论文的 Table 1 还展示了一个差异化优势。Youtu-Parsing 是对比模型中唯一同时支持文本、公式、表格、图表、印章和层级结构全部6种元素类型的模型。PaddleOCR-VL 支持4种，其余5个模型只支持3种。印章识别和层级结构在中文文档场景里是刚需，合同盖章、公文层级这些场景其他模型覆盖不了。
Token Parallelism，核心创新
这是整篇论文最值得深读的部分。
传统自回归解码一个 token 一个 token 地生成，在大规模文档数字化里是严重的吞吐瓶颈。Youtu-Parsing 的做法分三步，并行解码框架如 Figure 4 所示。
第一步候选生成，在当前序列后面追加64个特殊的 mask token，一次前向传播同时预测这64个位置的可能 token。
第二步验证，把候选 token 和标准自回归在该位置应该生成的 token 逐位比对，找到第一个不匹配的位置 k，只接受 k 之前的 token。这保证了输出和逐字生成完全一致，是数学等价的。
第三步迭代，把接受的 token 加回序列，重复以上过程直到生成 EOS。
你可能会问，凭什么能一次猜对这么多 token？
答案在于文档解析的输出特性。OCR 任务不像开放文本生成，答案已经写在图上了，token 间的空间依赖很稀疏。表格的 OTSL 标记和公式的 LaTeX 语法规律性极强，模型平均每轮能接受10到20个 token。理论加速比约等于 k/2，k 是每轮平均接受数。
训练上用了 Hybrid Masked Training 策略，80%的训练样本在随机位置插入 mask，训练模型的多 token 前看能力。剩下20%用标准自回归训练，保持基线生成能力。这个80/20的比例论文没有给出消融解释，可能就是经验值。
Table 10 的消融实验很有意思。n=64配 Flash Attention，加速11.13倍，Overall 得分93.30，和不并行的基线持平甚至略高。Eager Attention 下 n=64加速10.58倍，Overall 92.90。关键发现是，即便最高并行度下，性能也没有下降，验证机制确实保住了输出质量。
Table 11 按场景拆解了加速效果，差异巨大。
表格场景 n=64时从40.23秒降到1.50秒，26.82倍加速。公式16.76倍，图表10.12倍，纯文本13.61倍。结构越规则，模型越容易连续猜中，加速越猛。
| 场景 | n=1基线延迟(s) | n=64延迟(s) | 加速比 |
|---|---|---|---|
| 表格 | 40.23 | 1.50 | 26.82× |
| 公式 | 57.00 | 3.40 | 16.76× |
| 图表 | 16.50 | 1.63 | 10.12× |
| 文本 | 250.05 | 18.37 | 13.61× |
Query Parallelism，补上短文本的效率缺口
Token Parallelism 解决了序列内部的加速，但有个问题。当处理标题、标签这类短文本时，64个 mask token 的容量大量闲置。
Query Parallelism 的思路是，既然 mask token 用不满，不如把多个区域的查询打包到一次前向里。最多5个 bbox 同时输入，输出用 sep 分隔符切分映射回各自区域。
Table 12 的数据显示，m 从1增到5，延迟从18.26秒降到8.74秒每页，2.09倍加速。有意思的是，准确率不降反升，Overall 从88.77涨到90.12。论文没解释为什么 batching 会带来分数提升，这可能和模型在多区域上下文中的行为变化有关。所以严格来说，「无损」的表述只适用于 Token Parallelism 的验证机制，Query Parallelism 实际上改变了模型的上下文。
Token Parallelism 优化序列内部，Query Parallelism 优化区域之间，两层并行互补。短文本密集的文档比如幻灯片、表单效果最好。
层级结构分析，三种关系标记符
这部分设计有新意但缺乏独立评测。论文定义了三种关系标记来编码文档拓扑结构，框架如 Figure 5 所示。
<<表示父子从属，比如段落属于标题下。++表示同级分组，比如同一标题下的多个列表项。||表示续接，处理多栏排版或分页导致的内容断裂。
这是个把文档结构关系显式编码到输出序列的尝试。但说实话，论文没有对层级结构分析做独立的定量实验，也没有公开测试集。这块的实验价值目前只能从定性案例判断。
三阶段训练与数据流水线
Table 2 记录了训练配置。Stage 1预训练30M样本，Stage 2 SFT 3M样本，覆盖布局检测、文本识别、公式识别、表格识别和图表识别五个维度。Stage 3用 GRPO 强化学习，20k高复杂度样本。三个阶段所有组件参与训练。
GRPO 的奖励函数设计得比较精细。布局分析用预测和真实 bbox 的最优二分匹配 IoU 评分。表格识别结合归一化编辑距离和 TEDS，同时惩罚内容错误和结构幻觉。公式识别聚合四个维度，字符编辑距离、结构骨架相似度、符号 Jaccard 重叠和分隔符一致性。
数据处理方面，开源数据经过「model-in-the-loop」迭代重标注，流程如 Figure 6 所示。具体做法是用专家模型和 LLM 重新标注原始数据，多模型投票筛选高置信样本，10%模糊 case 人工复核。合成数据流水线从语料收集、模板增强到统一合成引擎，覆盖多语言、罕见字符和手写内容，整体流程如 Figure 7 所示。
三阶段加起来约3300万级的训练样本（按 Table 2 的30M+3M+20k推算，三阶段数据可能有重叠）本身就是高分的可能主因。但论文没有做架构 vs 数据的消融实验，无法区分两者的贡献比例。这是个遗憾。
实验全景，两个SOTA和五个细粒度评测
主基准
Table 3 是 OmniDocBench v1.5的综合结果。
Youtu-Parsing 2.5B拿到93.22分，超过 PaddleOCR-VL 0.9B的92.56、MinerU2.5 1.2B的90.67，也超过了 Qwen2.5-VL-72B的87.02、Gemini-2.5Pro的88.03和 GPT-4o 的75.02。2.5B专用模型在结构化任务上碾压了一众更大的通用模型。
| 模型 | 参数量 | Overall↑ | TextEdit↓ | FormulaCDM↑ | TableTEDS↑ |
|---|---|---|---|---|---|
| GPT-4o | - | 75.02 | 0.217 | 79.70 | 67.07 |
| Gemini-2.5Pro | - | 88.03 | 0.075 | 85.82 | 85.71 |
| Qwen2.5-VL-72B | 72B | 87.02 | 0.094 | 88.27 | 82.15 |
| PaddleOCR-VL | 0.9B | 92.56 | 0.035 | 91.43 | 89.76 |
| Youtu-Parsing | 2.5B | 93.22 | 0.045 | 93.19 | 91.15 |
不过要诚实说，Youtu-Parsing 的 TextEdit 0.045不如 PaddleOCR-VL 的0.035，纯文本识别不是它的强项。它的优势集中在公式 CDM 93.19、表格 TEDS 91.15和阅读顺序错误0.026，这三项都是第一。
Table 4 是 olmOCR-bench 的结果。Youtu-Parsing 80.5±0.9，PaddleOCR-VL 80.0±1.0，误差区间高度重叠。子项里 Tables 89.0和 Multi-column 83.1是第一，但 Old Scans Math 71.4不如 MinerU2.5的74.0，Headers and Footers 94.3不如 Paddle 的97.0。「全面领先」不成立，「总体第一」成立。
细粒度评测
接下来五张表覆盖了五个子任务的专项评测。
文本识别（Table 5）用内部数据集测了四个场景，手写体、竖排文字、艺术字和高分辨率全部第一，手写体达到98.94。不过这是内部数据集，没有公开 split，结果不可独立复核。
表格识别（Table 6）在 CC-OCR、OCRBench v2 和内部数据上，TEDS 和 TEDS-S 全部第一，内部数据集分数普遍高于公开集。对比的 Qwen3-VL 系列从2B到8B都被它压着。
公式识别（Table 7）OmniDocBench v1.5 Formula CDM 92.30，内部公式集 CDM 80.1，都是第一。
图表识别（Table 8）最有意思。Youtu-Parsing 的 RMS-F1 0.6124和 Edge-F1 0.7699都是第一，但 CSS 0.8995低于 Qwen3-VL-32B 的0.9084。考虑到参数量差了12.8倍，这个差距其实很小。论文还提出了两个新指标，CSS 用于评估数据图表转表格的保真度，Edge-F1 用于评估逻辑图转 Mermaid 语法的结构完整性。
印章识别（Table 9）是 Youtu-Parsing 的差异化能力。500个真实印章加500个合成印章的测试集上，Youtu-Parsing 80.13，超过 Qwen3-VL-32B 的77.88。Table 1 的元素支持矩阵里只有 Youtu-Parsing 原生支持印章识别，Qwen3-VL 系列虽然也能跑出分数，但其他模型在架构设计上并未针对印章场景做专门优化。
效率对比
Table 13 的端到端延迟对比揭示了一个重要的边界。
Youtu-Parsing 2.5B每页1.75秒，吞吐445 tokens/s。对比 PaddleOCR-VL 0.9B每页1.48秒，吞吐1300 tokens/s。
| 模型 | 参数量 | 延迟(s/页) | 吞吐(token/s) |
|---|---|---|---|
| dots.ocr | 3B | 3.76 | 227 |
| MinerU2.5 | 1.2B | 2.40 | 465 |
| PaddleOCR-VL | 0.9B | 1.48 | 1300 |
| Youtu-Parsing | 2.5B | 1.75 | 445 |
Youtu-Parsing 比 dots.ocr 快一倍多，并行解码的效果是实打实的。但 PaddleOCR-VL 以不到一半的参数量和近3倍的吞吐量，在纯效率维度上仍然领先。论文声称的5-11倍加速是相对于自身自回归基线的，不是相对于 PaddleOCR-VL 的。局部解码快了26倍不等于整套系统快了26倍，视觉编码、版面分析、区域调度和后处理都要付出成本。
它到底新在哪里
Youtu-Parsing 的精度优势确实不大，部分子项还落后。但它做了一件之前没有文档解析模型系统做过的事，把投机式并行生成引入文档解码，并用验证机制在 Token 层面保证了等价性。
表格场景26.82倍的加速不是锦上添花。它说明了一个被忽视的事实，文档输出的结构规律性本身就是一种可以被开采的计算资源。LaTeX 语法的可预测性、OTSL 标记的重复性，这些特性让文档解析天然适合并行解码。
代码和模型都开源了，Demo 也可以直接试。对于做文档智能的开发者来说，这套并行解码的思路值得认真看看。
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。