我要投稿

AI Infra：POINTS-Reader，腾讯开源的文档解析和OCR工具

发布日期：2025-11-04 10:54:02 浏览次数： 1887

作者：平行记陆

微信搜一搜，关注“平行记陆”

“用一个语言模型，看图说话，直接吐出结构化文本，靠自打自喂进化。”

一、定义

端到端视觉-语言OCR：

输入一张文档图 → 输出 Markdown + HTML 表格，中间无OCR、无版式分析、无规则引擎。

二、架构极简主义

组件	选择	原因
视觉编码器	NaViT (600M)	不是ViT-Base，是“适合批处理的视觉Tokenizer” —— 平衡分辨率与推理速度
语言模型	Qwen2.5-3B-Instruct	不用7B，省显存；用Instruct版，天生懂指令
输入格式	图片 + 固定Prompt	“请提取为Markdown和HTML” —— 指令即任务
输出格式	纯文本字符串	无结构化解析器，全靠LLM生成结构

→ 一切结构化，都是语言模型“猜”出来的。

三、核心创新：自演化训练（Self-Evolution）

第一阶段
：用合成文档（AI生成PDF→截图+文本对）教它基本能力
第二阶段
：让模型自己给真实文档打标签 → 挑高质量生成结果 → 用这些“自产数据”再训练自己

→ 像人自学：先看教材，再自己做题，对答案，错的重来

无需人工标注真实数据 → 可无限扩展
模型越强，数据越准 → 正反馈闭环

四、性能真相

指标	值	意义
Edit Distance	英文0.133，中文0.212	比多数OCR+规则系统低（越低越好）
TEDS	较高	表格识别优于传统Pipeline
读序错误	低	懂“从左到右、从上到下”——视觉+文本协同推理

→ 不是最强，但最平衡：不输专业OCR，省掉5个模块。

五、适用场景

电子书/pdf扫描件
（印刷体、版面标准）
财报、合同、发票
（固定格式、无手写）
学术论文
（含公式，它能吃 LaTeX）

→ 不适配：手写笔记、老档案、杂乱照片、多语言混排。

总结

POINTS-Reader 不是OCR的升级，而是用LLM重构了OCR的定义：不是“识别文字”，而是“理解文档”。

它把十年的OCR技术栈，压缩成一个会看图的对话模型，靠自动生成数据成长，靠指令驱动一切。

它不完美，但它证明了一件事：你不需要复杂的系统，你只需要一个足够强的模型，和一个会“喂自己”的训练法。

https://github.com/Tencent/POINTS-Reader

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-02-03

Claude Code——智能路由与切换工具

2026-02-03

作为投资方，我们试了试Kimi K2.5

2026-02-03

暴涨11.7k Star！复刻Manus上下文工程的开源Skills，Claude code等多个平台即插即用

2026-02-03

ollama v0.15.4 更新：OpenClaw全面上线，优化集成流程与工具解析能力大升级！

2026-02-03

阶跃星辰 Step 3.5 Flash 上线！更快更强更稳的 Agent 大脑，开源！

2026-02-02

一分钟部署OpenClaw+QQ，国内最爽的一键启动！

2026-02-02

这家字节系AI初创，推出首个开源Agent Skills Builder！对话Refly.AI李锦威：大多数Agent都停留在专业用户层面，没有做到真正的普惠

2026-02-02

OCR又出宠OpenDoc，速度超MinerU6倍

联系获取

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

全新AI编程工具 Google Antigravity 实测，特别适合产品经理

2025-11-19

Clawdbot 完整安装教学：2026 年最火的开源AI 个人助理

2026-01-27

一文彻底看懂 Google 最新开源 A2UI 协议：如何让 AI Agent “说出UI” ？

2025-12-22

豆包手机同款AutoGLM硬核开源：AI如何用“眼睛+大脑+手”接管你手机

2025-12-10

让白宫“破防”的阿里千问，我替你们测了...

2025-11-17

SkillsMP：一个聚合了 5 万+ AI Agent 技能的开源社区

2026-01-12

最强开源0.9B级OCR模型！PaddleOCR-VL本地一键部署，私密性拉满【喂饭级教程】

2025-11-07

我把Claude Code换成GLM-4.7用了6小时，我竟然没发现明显区别

2025-12-23

Clawdbot 深度拆解： 7 个问题看懂它。

2026-01-29

Claude Code最强开源对手！GitHub 50.2k Star了，作者为它烧掉2.4w美元。

2026-01-06

大家都在问

一夜爆火，Clawdbot是否才是真正的AI入口产品？

2026-01-28

Clawdbot爆火：Karpathy点赞的开源AI助理，到底是什么？

2026-01-26

速递 | DeepSeek突然扔出MODEL1，这到底是V4还是R2？

2026-01-21

DeepSeek-R2要来了？

2026-01-21

TranslateGemma-27B谷歌开源翻译模型有多强？

2026-01-20

构建开放智能体生态：AgentScope 如何用 A2A 协议与 Nacos 打通协作壁垒？

2026-01-16

又是量化基金，第二个DeepSeek时刻到来了？

2026-01-02

被 Gemini 官方推荐为下一代Agent！Eigent 如何实现企业级浏览器自动化？

2025-12-24

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB Palantir Glean

应聘简历请发送至： [email protected]

联系我们

售前咨询

预约演示

微信扫码

添加专属顾问

回到顶部