【文档解析】2026年技术发展和趋势

note

文档解析三个特征：
- 视觉token极压缩："光学压缩"成了新卖点
- 推理加速成为显学：多token预测+投机解码被卷到这个领域
- 训练全面转向"可验证奖励的强化学习"（RLVR）
  - LightOnOCR和olmOCR用unit-test式评估+GRPO；
  - Infinity-Parser2一次co-train八个任务；
  - Jina-OCR-v1用五维乘积奖励（内容、结构、单元测试、重复、格式）给部分分，并特意合成公式/表格密集页喂奖励。
三个判断：
- 下一个瓶颈不在"看"，在"结构推理"
- 从"全局压token"转向"按内容动态分配token"
- 会有一次"可验证奖励范式"的事故或反噬

一、文档解析

1、三个突出特征

其一，视觉token极压缩："光学压缩"成了新卖点。

2018的ViT一路到Qwen2.5-VL家族，每页要几千个视觉token，贵。2026年大家集体转向把整页视觉信息压成极少量token。例如：DeepSeek-OCR首创"上下文光学压缩"：用1024×1024的视图只产出256个视觉token，解码端却能据此输出比视觉token多10倍以上的文本tokenarxiv.org。
它的迭代DeepSeek-OCR2换了第二代编码器DeepEncoderV2：把CLIP组件替换成一个小型语言模型，并引入"因果流查询"（causalflowtokens），可学习的查询token像人眼一样按语义动态重组视觉信息blog.csdn.net。代价是公式解析+6.17%、表格+2.5~3%、文本编辑距离降0.025，同时保持16倍视觉token压缩率hub.baai.ac.cn。
又如Jina-OCR-v1直接复用DeepSeek-OCR的编码器，把每token像素做到约4096。

其二，推理加速成为显学：多token预测+投机解码被卷到这个领域。

OCR输出长、又高度可预测，成了投机解码的"肥肉"。2026年几乎每家都在解「生成长、解码慢」的问题。代表的：

FastMTP（共享单块递归草拟）、DFlash（HunyuanOCR-1.5用）、GLM-OCR的共享参数MTP，
都在走"一个草稿块猜多个token、主模型批量验证"的路线；

其三，后训练全面转向"可验证奖励的强化学习"（RLVR）。这是2026年最实质的质量来源。不再是纯SFT让模型背答案，而是用确定性可验证奖励+GRPO/DAPO让模型自己摸索更高分，看下代表工作：

一个是奖励信号用确定性代码打分：表格用TEDS、公式用CDM、再加结构完整性（括号是否闭合、标签是否闭合、表格是否完整），不需要奖励模型或judge；
具体的，又LightOnOCR和olmOCR用unit-test式评估+GRPO；Infinity-Parser2一次co-train八个任务；Jina-OCR-v1用五维乘积奖励（内容、结构、单元测试、重复、格式）给部分分，并特意合成公式/表格密集页喂奖励。

2、三个判断

2、三个判断同样的，有三个判断，也可以做个思考：

判断一：下一个瓶颈不在"看"，在"结构推理" 。阅读顺序、多栏、跨行表格，这些"看不见但要想"的结构问题，正是今年分数的洼地（所有模型在reading-order、OldScans上都难看），而且结构恰恰是规则奖励最难表达的（什么叫"阅读顺序对"，你很难写成确定性检查）。2027会需要新的监督信号，很可能是强标注的"结构对比合成对"+判别性结构判官。

判断二：从"全局压token"转向"按内容动态分配token" 。全局256token把细节全丢光了。往下走会是全局粗看+局部按需高分辨率：先低精度分栏定结构，再对公式、数字区、小字区动态放大并加token。这是视频编码"人眼敏感区给高码率"的行星级分配逻辑，搬到视觉token上。Deep Encoder V2的causal flowtokens已经是这个方向的苗头。

判断三：会有一次"可验证奖励范式"的事故或反噬。RLVR太容易被榜单绑架。当几家都靠合成数据喂专项奖励刷分时，模型在真实世界的样张上会集体露馅（奖项能打分的和真实需求开始背离）。其实关于"OCRbenchmark与真实文档错位"的公开争论一直有，就像当年ROUGE被诟病那样。真正确立地位的，会是"保真度追踪+失真优先级预算"这类评估，而不是一个总分。