【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

文章目录

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。

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。

相关推荐
科研邪修法2 天前
中英混排OCR评估:从字符输出到字段验收
ocr
东莞市云毅网络有限公司2 天前
用 Playwright 搭一套问答平台引用监测的最小骨架
python·数据清洗·rag·企业知识库·文档解析
凯瑟琳.奥古斯特3 天前
我开源了一个 Windows 截图取字工具:全局热键 + 离线 OCR + 标注打码,不上传任何数据
windows·ocr
Flynn Liang4 天前
Agentic 工作流:子代理、Supervisor 与人工介入
java·langchain·多智能体·supervisor·agentic·langchain4j
东莞市云毅网络有限公司6 天前
FAQ 覆盖度打分:TF-IDF 与向量嵌入双路召回的 Python 实现
python·数据清洗·rag·企业知识库·文档解析
AlfredZhao8 天前
OCR、VLM、ASR 到底有什么区别?一文讲清
ocr·asr·vlm
合尘猫9 天前
图片表格变结构化数据:OCR 后的三个坑
python·ocr
hddata@16 天前
字符切得准,文本溯得清——高维数据OCR字符分割专利获授权,赋能多行业文本安全应用
安全·ocr
楚识科技16 天前
企业级 OCR 选型指南:从 API 调用到私有化部署的技术对比
ocr
开开心心就好16 天前
网页图片批量下载工具,输入链接就保存
服务器·算法·leetcode·支持向量机·pdf·ocr·1024程序员节