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： 2147

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

2026-05-07

本地4B开源模型，把任何App当Skill用！告别token焦虑，私密性强～

2026-05-07

Browser Use 0.12 杀疯了！弃用 Playwright，token 用量减半

2026-05-07

本地部署这件事，终于被国产开源AI做明白了！

2026-05-07

多模型管理太麻烦？手把手教你本地搭建这个开源 AI 网关！

2026-05-06

Ollama 换引擎，苹果 M5 封神了

2026-05-06

DeepSeek V4 Pro桌面应用来了：1.6T参数，MIT协议开源

2026-05-04

开源！OpenClaw 桌面版 v0.4.0，对话、文件、模型与工具配置全面升级

2026-04-29

海外著名投资人的内部 AI 工具，才是真干货

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

Hermes Agent 出来了，聊聊它凭什么跟 OpenClaw 掰手腕

2026-03-30

Google Gemma 4 开源｜全面解读

2026-04-03

字节跳动开源 DeerFlow 2.0：下一代超级 Agent 引擎，一键搞定复杂工作流！

2026-03-23

很多人突然不玩小龙虾而用Hermes Agent了。我替你试了，跟小龙虾到底有啥不同？

2026-04-09

刚刚，Claude Code开源了！51万行代码，全网狂欢

2026-03-31

全网都在猜DeepSeek V4的发布时间，但国产模型激战还有一条暗线

2026-02-14

1700人收藏！港大开源 ClawWork：开局 10 美元，AI 靠打工 7 小时狂赚 1 万刀！

2026-02-18

4 天 6.8K Star，这个 AI 漫剧项目火了：waoowaoo！

2026-03-03

GLM-5 技术报告全解读｜a16z：“最好的开源模型”

2026-02-22

震惊！刚刚，Anthropic掀了桌子：OpenClaude横空出世，大模型闭源时代彻底终结？

2026-04-01

大家都在问

百度把Nano Banana塞进4090，疯了？

2026-04-22

Kimi K2.6 开源了！还附送了 300 个 Agent 员工？

2026-04-21

Hermes 凭什么两个月接棒 OpenClaw？

2026-04-15

很多人突然不玩小龙虾而用Hermes Agent了。我替你试了，跟小龙虾到底有啥不同？

2026-04-09

震惊！刚刚，Anthropic掀了桌子：OpenClaude横空出世，大模型闭源时代彻底终结？

2026-04-01

英伟达的NemoClaw，能帮AI代理这匹“野马”套上缰绳吗？

2026-03-17

你的 AI Agent 真的在受控运行吗？

2026-03-13

137K 行代码、零 clippy 警告：这个开源项目凭什么让 AI Agent 领域炸锅？

2026-03-02

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 Skill 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 Openclaw

应聘简历请发送至： ceo@53ai.com

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