阿里巴巴团队开源，OCR 又来一个高手，第一！

今天这位选手是阿里巴巴团队开源的 Logics-Parsing-v2，在两个主流 Benchmark 上直接拿了第一：自家的 LogicsDocBench 拿了 82.16 分，公开的 OmniDocBench-v1.5 拿了 93.23 分，都是目前最高分。

这模型有啥不一样？

市面上 OCR 模型一大把，Logics-Parsing-v2 凭啥能打？核心就两个字：全能。

传统 OCR 做的事情比较窄——识别文字、提取表格、处理公式。但实际文档远比这复杂：报纸那种多栏排版、跨页表格、竖排文字、手写内容……这些"脏活累活"，大部分模型处理得都不太行。

Logics-Parsing-v2 在 v1 的基础上，除了把这些传统任务做得更好之外，还加了一个全新的能力维度，叫 Parsing-2.0——支持解析以下内容：

• 流程图 / 思维导图 → 输出 Mermaid 格式
• 乐谱 → 输出 ABC 记谱法
• 代码块 / 伪代码 → 结构化提取
• 化学分子式 → SMILES 格式

你没看错，它能看懂乐谱。这在 OCR 领域算是相当炸裂的能力了。

Benchmark 成绩单

先看自家的 LogicsDocBench，这是阿里专门建的评测集，900 页 PDF，覆盖三大场景：

在这个 Benchmark 上，Logics-Parsing-v2 以 82.16 分的总分排名第一，远超其他选手。

再看公开的 OmniDocBench-v1.5，这个是业界公认的文档解析评测标准。Logics-Parsing-v2 拿了 93.23 分，同样是最高分——比 Gemini 2.5 Pro、GPT-5、豆包 1.6 这些闭源大模型都高。

说实话，开源 OCR 模型在 OmniDocBench 上打赢闭源大模型，这还是头一次。之前我测过不少 OCR 模型，闭源的 Mathpix、doc2x 一直是天花板，现在这个天花板被捅穿了。

跟其他模型比怎么样？

在阿里自建的 Benchmark 上（v1 评测，数值越低越好，TEDS 越高越好）：

几个值得关注的对比：

• vs Gemini 2.5 Pro：Logics-Parsing 在英文文本（0.089 vs 0.115）、表格（0.165 vs 0.154 接近）上都有竞争力
• vs Mathpix：公式识别 Mathpix 还是很强（0.06 vs 0.106），但综合能力 Logics-Parsing 更好
• vs MonkeyOCR / GOT-OCR：全面领先，不在一个档次
• vs 通用大模型（GPT-5、Qwen2.5VL-72B）：专用模型优势明显

一个模型，端到端推理，不需要复杂的 pipeline，直接图片进、HTML 出。这个思路比传统的"检测+识别+后处理"流水线简洁太多了。

输出格式很讲究

Logics-Parsing-v2 输出的不是纯文本，而是结构化 HTML。

每个内容块都带有：

• 类别标签：段落、表格、图片、公式等
• 边界框坐标：精确到像素级的位置信息
• OCR 文本：识别出的内容

对于 Parsing-2.0 的新场景，输出格式也做了定制：

• 流程图 → Mermaid 语法（可以直接渲染）
• 乐谱 → ABC 记谱法（音乐人看得懂）
• 化学式 → SMILES 格式（化学标准表示）

这意味着你拿到输出之后，不需要再做什么后处理，直接就能用。

怎么跑？

部署很简单：

conda create -n logics-parsing-v2 python=3.10
conda activate logics-parsing-v2
pip install -r requirements.txt

下载模型（HuggingFace 或 ModelScope 二选一）：

# HuggingFace
pip install huggingface_hub
python download_model_v2.py -t huggingface

# ModelScope（国内更快）
pip install modelscope
python download_model_v2.py -t modelscope

推理一行搞定：

python3 inference_v2.py --image_path 你的图片路径 --output_path 输出目录 --model_path 模型路径

基于 Qwen3-VL 架构，对 GPU 有一定要求，但不算离谱。

实际效果展示

说了这么多数据，看几个实际效果：

扭曲文档识别——拍照角度歪斜、纸张弯曲，照样准确识别：

STEM 文档——复杂的数学公式、物理图表，结构完整保留：

代码块识别——不只是识别文字，还能保留代码结构：

流程图解析——识别流程图并转成 Mermaid 代码，可以直接渲染：

乐谱识别——这个真的是第一次在 OCR 模型里见到：

总结

Logics-Parsing-v2 给我的感觉就是：OCR 这个赛道，终于有一个模型把"全能"两个字做到位了。

• 双 Benchmark 第一：LogicsDocBench 82.16，OmniDocBench-v1.5 93.23
• Parsing-2.0：流程图、乐谱、代码、化学式，传统 OCR 碰都不碰的东西它全能解
• 端到端单模型：不需要复杂 pipeline，图片进 HTML 出
• 开源免费：代码和模型全部开放

如果你在做文档数字化、论文解析、知识库构建这类工作，这个模型真的值得试试。