LlamaIndex 发布 4B 文档解析模型 OCRia-1

今天，我们推出 OCRia-1，全球最强的文档解析模型。它是一个 40 亿参数的视觉语言模型（VLM），在准确率、成本和延迟三方面均达到最先进水平。

在 ParseBench 上，OCRia-1 创下了 350 亿参数以下所有解析模型的新高分：综合得分 87.4涵盖文本内容、格式、表格和图表，领先第二名解析模型 12.1 分。它还在三个第三方基准测试中领跑表格评测：olmOCR-bench*（92.9）、PulseBench-Tab（84.1），以及fr-bench-pdf2md。

这一点很重要，因为随着专业工作中智能体自动化的兴起，文档解析的需求正呈指数级增长。企业文档中的大部分信息，例如财务报告、保险申报文件和税务表格，都以表格、图表、示意图和格式化文本的形式组织。VLM 已成为这些文档数字化的标准方案，但无论是前沿模型还是现有的开源权重模型，在大规模场景下仍难以做到准确、低成本且快速地解析它们。OCRia-1 是当今在这三方面都表现最佳的可用模型。

最先进的文档解析

在我们评估的系统当中，OCRia-1 取得了最高的综合得分，评测覆盖ParseBench、PulseBench-Tab和fr-bench-pdf2md，而模型规模仅为40 亿参数。在 ParseBench 上，它得分87.4，领先 12.1 分于第二名系统。

这些评测涵盖不同语言、文档类型和评分方法，从完整文档页面到多语言表格。

整体文档解析结果（我们在相同渲染条件下比较所有系统以保证公平，同时保留各基准测试自身的标准渲染规则。*olmOCR-bench 的分数已按所有模型标准的 1,288px 渲染进行调整）。

重建复杂表格

复杂表格是对文档理解能力的一项严苛考验。解析器必须还原嵌套表头、合并单元格和不规则网格，同时保留它们之间的关系。一旦丢失这些关系，原本准确的转录就可能变成错误的财务对比或被误读的承保限额。

我们把这作为 OCRia-1 的核心重点。它能重建嵌套表头、合并单元格和不规则网格，保留数值与其标签之间的关系。

OCRia-1 的表格准确率使其特别适合金融服务和保险行业，在这些领域，解读财务报表和承保明细表需要保留复杂的表格结构。

在我们测试的全部四项基准测试中，OCRia-1 在表格专项评测中均领先，其中三项由独立机构开发。其领先范围涵盖 ParseBench、olmOCR-bench*、PulseBench-Tab 的多语言表格，以及 fr-bench-pdf2md 的两个长表格类别。

这些基准测试使用不同的数据集和评分方法，考察多语言表格、复杂结构和长表格上的表现。这些结果确立了复杂表格是 OCRia-1 在不同数据集和评测方法下的标志性优势。

将图表转换为结构化数据

现实世界中的图表形式多样：堆叠柱状图、重叠折线、多坐标轴，以及没有明确数值标签的数据点。要还原其中的数据，需要读取刻度、区分不同系列，并将每个数值对应到正确的标签。像“所有业务板块营收均实现增长”这样的摘要不足以用于计算或分析——你需要的是实际数字。OCRia-1 可将图表转换为其数据点的 HTML 表格，并确保数值与正确的系列和标签相关联。

ParseBench 同时评估数值和这些关系：只有当数值出现在正确的行标题和列标题下时，才会获得分数。在 ParseBench 的图表评估中，OCRia-1 得分为85.1——领先第二名模型（66.1）19.0 分，而传统解析器的得分接近于零

保留格式与数学符号

大多数解析器会剥离行内样式，丢弃上标、下标、删除线和表单复选框。OCRia-1 在 Markdown 和 HTML 中保留这些标记，并将数学公式转写为 LaTeX 而非纯文本。在 ParseBench 的格式维度上，它的得分为83.4，而得分第二高的系统为 67.9。

数据与训练

OCRia-1 的魔力在于数据和训练流程。我们构建了一个包含 10 万 + 文档页面的训练集，专门针对现代 VLM 仍然处理不好的情况，从既密集又跨多页的表格和图表，到数学符号、多语言文本和难以识别的扫描件。

我们利用生成式和审核式 VLM，结合人工标注，来引导构建真值标注。合成文档生成器补充了真实世界数据，使我们能够改变文档的复杂度和多样性，同时匹配真实世界文档的长尾分布。

我们使用监督微调（SFT）和带可验证奖励的强化学习（RLVR）相结合的方式对 OCRia-1 进行了后训练。SFT 为模型提供了基础的解析能力。我们的强化学习任务在此基础上构建，通过精心设计的奖励来提升模型在复杂表格和图表上的泛化能力。