文档解析

腾讯优图Youtu-Parsing开源，无损并行解码让表格解析提速26倍，OmniDocBench 93.22分一个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。

字节跳动Dolphin-v2：数字 PDF 拆开读、拍照文档整页读，自建拍照文档集平均编辑距离较原始 Dolphin降低约 91%同一页论文，从电脑里导出来，和用手机拍下来，内容一点没变。可到了文档解析模型手里，它们最好别走同一条路。

最新百度PaddleOCR开源HPD-Parsing，提出层级并行文档解析，1B模型解码步数最高压缩18倍，文档解析效率提升3倍！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。

智谱联合清华开源GLM-OCR，0.9B参数配MTP多Token预测，文档解析吞吐量1.86页/秒，印章识别90.5分，第二名才42.2分2026年3月，智谱AI联合清华大学在arXiv上挂出了一篇技术报告，主角叫GLM-OCR，一个文档解析模型，参数量0.9B。

通往RAG之路（四）：实战篇pdf文档解析为josn&md这是一个基于MinerU工具开发的批量文档智能解析与格式转换自动化脚本，核心作用是将 PDF、图片、Office 等格式的文档，批量转换为结构化的 Markdown 文本和 JSON 数据，适用于文档数字化、RAG 知识库构建、数据提取等场景。我的文档全部是pdf，目前只是用到pdf输入。目前只是将pdf数据解析为 Markdown 文本和 JSON 数据。

weixin_37763484

【MinerU】 Docker 使用问答记录定义在 pyproject.toml:110-120：具体来说，all 在 core 基础上额外安装：

weixin_37763484

【MinerU】 3090部署 CUDA版本升级我在矩池云上租了3090，但是 CUDA 只有12.2，当使用 MinerU 的 -b vlm-auto-engine时，官方文档上写着CUDA最低要12.9，当我询问 Gemini 如何升级的时候，给出的答案是只升级 CUDA Toolkit。

weixin_37763484

【MinerU】Pipeline 与 Auto-Engine 模式采用多个专用模型串行处理：分为 hybrid-auto-engine（默认）和 vlm-auto-engine 两种，核心是引入了视觉语言模型（VLM）：

weixin_37763484

【MinerU】API 服务与 Router服务MinerU 提供 mineru-api 命令启动 FastAPI 服务，支持同步和异步两种处理模式：

weixin_37763484

【MinerU】多类型文件解析与模型管理MinerU 目前支持以下文件格式：注意：只支持 Office Open XML 格式（.docx/.pptx/.xlsx），不支持旧版二进制格式（.doc/.ppt/.xls）。

weixin_37763484

【MinerU】昇腾910B部署npu.Dockerfile 是 MinerU 为华为昇腾（Ascend）NPU 加速卡专门提供的 Docker 构建文件，用于在昇腾硬件上运行 MinerU 的全部功能（pipeline、vlm-auto-engine、hybrid-auto-engine 等）。

TextIn xParse Skill上架ClawHub，补齐Agent“读文档”短板Agent 的生态正在飞速扩张，OpenClaw 社区里上万 Skills 的涌现就是最好的证明。但当开发者们兴冲冲地把 Agent 推向企业真实业务时，一个被长期低估的问题总会浮出水面：模型会思考，但不会“读文档”。 PDF、图片、扫描件、Office 文件等等这些日常工作中最普遍的载体，对大多数 Agent 来说依然是一堵墙。模型原生只能理解文本，面对一张发票截图、一份 PDF 合同或是一页扫描版论文时，要么束手无策，要么依赖 OCR 勉强应对——效果差、速度慢、结构全丢，而这些“非结构化数据”往往才

合合技术团队

RAGFlow集成TextIn方案2.0上线！支持快速镜像部署，随时切换解析插件当前基于 RAGFlow v0.24.0 | 插件式集成本项目是RAGFlow的增强版本，集成了TextIn文档智能解析能力，提供更高质量的PDF文档理解。

【文档解析】一文学懂百度千帆OCR模型细节及本地部署百度千帆 OCR（Qianfan-OCR）是百度千帆团队于 2026 年 3 月发布的端到端统一文档智能大模型，主打 “单模型搞定全链路文档处理”，与传统的多阶段OCR流水线（将独立的版面检测、文字识别和语言理解模块串联）不同，千帆-OCR 以4B所谓参数可执行直接的图像到Markdown转换，并支持广泛的提示驱动任务——从结构化文档解析、表格提取，到图表理解、文档问答和关键信息抽取——全部由单一模型完成。在多项权威评测中登顶，且已开源。

Advanced RAG 02：揭秘 PDF 解析Advanced RAG 02：揭秘 PDF 解析摘要：本文深入探讨了 PDF 文档解析在 RAG 系统中的关键作用，详细介绍了基于规则、深度学习模型和多模态大模型的三种解析方法。文章重点分析了使用开源框架 Unstructured 解析 PDF 时面临的三大挑战（表格/图像提取、双栏排版重排、多级标题提取），并提供了相应的算法思路和代码示例，适合希望提升非结构化数据处理能力的开发者阅读。

合合技术团队

合合信息联合亚马逊云科技推出长文档智能处理方案，破解智能体规模化落地困局当前，智能体（Agentic AI）正迎来高速发展期。国际咨询机构Gartner预测，到 2028 年，33% 的企业软件应用将内置智能体功能，至少 15% 的日常工作决策将由智能体自主完成。目前，企业在搭建智能体应用时，普遍面临开发环境不完善、功能模块集成困难、规模化部署不稳定等问题，导致智能体难以真正落地业务场景。

含老司开挖掘机

Chandra OCR多格式输出详解：同页同步生成Markdown/HTML/JSON三版本你有没有遇到过这样的场景：Chandra 就是为解决这些“排版失真”痛点而生的。它不是把图片当文字流来识别，而是像人一样“看懂页面”：哪是标题、哪是正文、哪是两栏布局、哪是嵌套表格、哪是手写批注、哪是LaTeX公式——然后原样还原成结构化输出。

合合技术团队

零代码搭建「招标文件解析智能体」：Coze+TextIn xParse实现PDF上传自动提条款、标风险、出建议如果你参与过招投标，一定理解这种挑战：200-500 页起步：包含目录、征文、技术规范、商务条款、复杂表格和各类附件。

合合技术团队

论文解读 | 从识别字符到理解结构，“树模型”让AI“看懂”复杂手写数学公式论文名称：A tree-based model with branch parallel decoding for handwritten mathematical expression recognition

《PDF解析工程实录》第 17 章｜内容流里“看得见却看不见”的字符：那些幽灵文字从哪来？点此进入系列专栏如果你已经开始深入使用 PDF 内容流解析，迟早会遇到一种非常诡异、但又极其常见的现象：