![氛围图](https://developer.qcloudimg.com/http-save/8729876/2a2a3e6bf6e1dd162ff73f602d862047.jpg)

> 💡 **一句话总结**：NaviDC-OCR 证明了在文档解析这条赛道上，"针对性的数据工程 + 训练配方"比堆参数量管用——1.2B 模型四大基准全第一，还顺手赢了一堆几十倍大的通用大模型；做 RAG、OCR、文档智能的人值得读它的方法部分。

## 🎯 先问一个做 RAG 的人都懂的问题

你的 RAG 系统里塞进去一份 PDF，检索质量还行。然后用户传了张**手机拍的合同照片**——页面有点弯、有阴影、表格被透视压扁——chunk 切出来一片狼藉，检索直接报废。

对，就是你想的那个坑。这不是你 embedding 模型的问题，是**文档解析**在最前面就翻车了：把非结构化文档变成结构化表示（Markdown、表格、公式）这一步，是 RAG 和训练数据管线的地基，地基一歪后面全歪。

最近中国电信 AI 团队发的 [NaviDC-OCR](https://arxiv.org/abs/2608.12898) 就是专治这个的，而且战绩有点夸张：

- 📊 OmniDocBench v1.6（数字文档解析基准）：**96.87 分，第一**——超过 PaddleOCR-VL-1.6、MinerU2.5-Pro 这些大厂方案；
- 🤯 同一张榜上，235B 的 Qwen3-VL 拿 89.78，GPT-5.2 拿 86.52，241B 的 InternVL3.5 拿 83.61——**1.2B 的 NaviDC-OCR 比它们都高一大截**；
- 📸 Wild-OmniDocBench（手机拍摄文档基准）：**88.53，第一**；
- 🏆 ICDAR 2026 科研图转表国际挑战赛：**第一**。

小模型吊打大模型，这种事在通用能力上不可能发生，但在文档解析这个垂直赛道上就是发生了。为什么？往下看。

> **想自己动手试？**
> - 📄 论文：[arXiv 2608.12898](https://arxiv.org/abs/2608.12898)
> - 🧩 基座组件：[Qwen2.5-VL](https://arxiv.org/abs/2502.13923) + [Qwen3-0.6B](https://arxiv.org/abs/2505.09388)（模型本体是这两个开源件拼的）
> - 💻 代码：论文承诺开源"完整实现与模型配置"，撰写时还没放出，先收藏论文等一手

## 🤔 这篇论文到底想解决什么问题？

先认识一下战场。现在的 VLM（Vision-Language Model，视觉语言模型）文档解析分两派，各有各的死法：

- 🔗 **端到端派**（OvisOCR、DeepSeek-OCR、HunyuanOCR 这类）：一张图进去、结构化文本出来，不搞中间步骤。优点是对几何畸变天生鲁棒；缺点是高分辨率文档上计算开销大，而且"看懂结构"和"认出文字"两件事耦在一起，动不动就冗余生成、幻觉；
- ✂️ **解耦派**（Dolphin、MinerU、PaddleOCR-VL 这类）：先做版面分析框出"这里是标题、那里是表格"，再逐块解析内容。可控性强，数字文档上表现好；但它的命门是**假设版面区域是规则矩形**。

矩形的假设有什么问题？你的文档是平的，**手机拍的文档不是**。纸一弯、页一折，区域边界就变成了曲线，矩形框套上去不是切掉内容就是把两栏粘一起——而且版面分析的错会级联传导到后面每一步。论文做了个很说明问题的实验：对拍摄文档先跑一遍去畸变预处理，**光把几何畸变消掉**，两阶段解析的成绩就大幅上升。

所以 NaviDC-OCR 的研究问题一句话说清：**能不能让一个模型既保住解耦范式的精度，又天生不怕拍歪拍弯的文档？**

## 🛠️ 它的思路是什么？

它的答案是把文档矫正社区积攒的几何先验"焊"进 VLM 里，再加上一套教模型学结构的数据配方。架构上是三个开源件：Qwen2.5-VL 的视觉编码器 + Qwen3-0.6B 语言模型 + 一个从头训的 MLP 对齐器，总共约 1.2B 参数。


*图说：两大训练策略——形变感知训练（让模型"感知"纸是怎么弯的）和内容-结构解耦学习（先学骨架再学内容），四阶段渐进式训练串起来。*

**第一招：形变感知，把"去畸变"变成模型的内功。**

传统做法是文档矫正模型当预处理模块，先拉直再解析——两个模块各管各的。NaviDC-OCR 的做法是让 VLM 直接学：训练时在无畸变文档上撒 1024 个控制点（专业矫正模型要 8 万多个，这里砍到 1/80），合成出弯曲文档后让模型直接预测这些点被"揉"到了哪里。学会了感知形变，弯的纸在模型眼里就近乎是直的。

**第二招：用边界点序列取代矩形框。**

既然区域可能是曲线，那就别硬套矩形了——NaviDC-OCR 把版面检测改写成**边界点序列预测**：沿区域边界输出一串坐标点，简单区域用 4 个点（就是矩形），复杂弯曲区域自动多用几个点。这里还有个精巧的小设计叫 CGDP（曲率引导采样）：平坦的边界少花点、折痕和尖角这些高曲率的地方多花点——预算有限时把点花在刀刃上。

**第三招：内容-结构解耦，专治表格和公式。**

表格解析为什么难？因为模型要同时干两件事：搞清楚表格的**骨架**（几行几列、哪些单元格合并了）和认出**内容**（单元格里是什么字）。两件事搅在一起，生成就容易乱。NaviDC-OCR 把它们拆开：

- 📋 表格：用 OTSL（一种紧凑的表格结构描述语言）先学骨架，训练时**故意把单元格内容全删掉**，逼模型专注学表格拓扑——像先搭好 Excel 的合并单元格框架，再往里录数据；
- ➗ 公式：构建语法 token 库，LaTeX 的语法结构和文字内容分开学。

**第四招：一条很能抄的数据工程流水线。**


*图说：三段式数据流水线——多个异构模型投票选伪标签、合成弯曲文档、自评判模型做最终质检。*

这部分我觉得是全文最值得抄的作业：

- 🗳️ **多节点共识投票（MCV）**：造训练数据要用伪标签，单模型的伪标签会被它自己的系统性错误污染。NaviDC-OCR 让多个架构不同的模型各解析一遍，取**互相最一致**的那版当标签——就像找几个不同背景的翻译各翻一遍，选彼此最认同的那版，而不是偏信某一个人；
- 🧑‍⚖️ **自评判 VLM**：伪标签终究有漏网错误，怎么办？把解析结果**渲染回图像**，跟原文档图对比——把"文字对不对"这种跨模态校验变成"两张图像不一致"这种更稳的同模态校验。他们先试了 Qwen3-VL-235B 零样本干这活，召回率不到 40%，于是专门微调了个 7B 的裁判模型；
- 🔧 **形变合成**：用文档矫正社区的 Doc3D 数据造"平纸变弯纸"的配对样本，把数字文档域和拍摄文档域桥起来。

最后再用 GRPO（一种强化学习算法）按任务指标打磨一轮，整套就齐了。**结构进模型、监督进训练、数据靠投票和质检**——每一步都在解决一个具体的问题。

## 📈 效果到底怎么样？

直接看榜单。OmniDocBench v1.6 是 1651 页 PDF、10 类文档的综合考试，Overall 是文本、公式、表格三项得分的平均（越高越好）：

| 方法 | 参数 | Overall | 表格 TEDS |
|------|------|------|------|
| **NaviDC-OCR** | 1.2B | **96.87** | **97.05** |
| OvisOCR2 | 0.8B | 96.58 | 94.76 |
| PaddleOCR-VL-1.6 | 0.9B | 96.33 | 94.76 |
| MinerU2.5-Pro | 1.2B | 95.75 | 93.42 |
| Ovis2.6-30B（通用） | 30B | 93.62 | 89.44 |
| Gemini 3 Pro（通用） | – | 92.85 | 89.15 |
| Qwen3-VL-235B（通用） | 235B | 89.78 | 83.07 |
| GPT-5.2（通用） | – | 86.52 | 82.95 |

（TEDS 是表格还原准确度，越接近 100 越好。）

两个我最在意的点：

- 🎯 **分项指标和设计主张对得上**：表格 TEDS 领先第二名 2 分多、文本编辑距离全场最低——内容-结构解耦强化表格、形变感知强化文本，这个模式自洽，不是刷出来的总分；
- 📷 **拍摄场景的领先更值钱**：Wild-OmniDocBench 上拿 88.53，领先第二名 0.6 分。别嫌差距小——同榜的 HunyuanOCR-1.5 在真实拍摄退化下崩到 77.62，差距是 11 分。拍摄场景是所有方法的坟场，这里的第一名含金量最高。

定性效果更直观：


*图说：同一页拍摄文档，对手模型漏检区域、认错类别，NaviDC-OCR 给出完整细粒度版面——形变感知不是白学的。*


*图说：密集财务表格，对手丢窄列、错误合并单元格，NaviDC-OCR 保住了层级表头和空单元格——解耦学习的功劳。*


*图说：页面严重旋转、公式上下颠倒的极端情况，对手只能认出零散符号，NaviDC-OCR 完整恢复了表达式。*


*图说：四个基准、两种范式（端到端 vs 解耦）的横向对比——NaviDC-OCR 在四个榜上全部站到了最上面。*

## 💡 为什么你要关心？

哪怕你不做 OCR，这篇论文也有几条真能带走的东西：

- 🧩 **"共识伪标签 + 渲染回图像自检"是通用的数据配方**：任何需要大规模伪标签的场景（蒸馏、数据合成、自动标注）都能套 MCV 的思路——异构模型投票选共识；而"把生成结果渲染回图像再和原图对"的校验方式，比让 VLM 直接对文本靠谱得多，这两招的适用面远超文档解析；
- 🏗️ **垂直赛道的打法示范**：1.2B 打赢 235B 的原因不是架构多先进（三个开源件拼的），而是领域知识（几何先验、结构语法）+ 数据工程的深度注入。如果你在做自己的垂直 VLM，这就是方法论模板；
- 📉 **对选型的人**：如果你的 pipeline 要吃手机拍摄的文档（票据、笔记、合同），这篇的结果表值得存一份——拍摄场景各家模型的差距是断崖式的，选错模型不是掉几个点的问题；
- 📚 **给 RAG 人的启示**：解析质量的差距（96 vs 83）会在检索环节被放大。与其折腾 embedding，不如先看看自己的文档解析器在 Wild-OmniDocBench 上能拿几分。

## 🧭 理性看待

朋友式提醒，三点：

- **零消融**。形变感知、曲率采样、解耦学习、投票数据、强化学习——五个创新点没有任何一张消融表告诉你各自贡献几分。1.2B 拿第一的功劳有多大比例属于"600 万级数据的工程堆叠"整体，无法判断；
- **有个诚实的瑕疵**：PureDocBench 评测时，模型在 6 个困难样本上出现严重的重复生成，作者把这些预测文件删了再评分（协议规定缺失预测记 0 分，所以逻辑上说得通，论文也把删了哪些文件列了出来）。态度坦诚，但这暴露了模型在极端困难样本上会"复读到死"，且其最弱赛道（真实退化）上实际已被 Gemini 反超；
- **代码未放**。承诺开源但撰写时还没兑现，超参与数据规模给了、数据本体没给，现阶段复现有难度。

所以我的读法：**方法配方当教科书读，榜单数字当参考看**——统一评测协议下复评的结果可信度不低，但等代码和消融放出再下最终结论。

---

> 作者：lusca
> 版本：lusca-paper-blog v1.7.0
> 出处：https://github.com/yjmm10/lusca-skill/tree/main/skills/lusca-paper-blog



💡 一句话总结：NaviDC-OCR 证明了在文档解析这条赛道上，"针对性的数据工程 + 训练配方"比堆参数量管用——1.2B 模型四大基准全第一，还顺手赢了一堆几十倍大的通用大模型；做 RAG、OCR、文档智能的人值得读它的方法部分。

1.2B 小模型赢过 235B 大模型：NaviDC-OCR 把文档解析卷明白了

人工智能

算法

大数据

NaviDC-OCR以1.2B参数在四大文档解析基准登顶，超越235B大模型，证明数据工程与训练配方是关键。其核心创新包括形变感知、边界点序列预测、内容-结构解耦及共识投票数据流水线，尤其擅长手机拍摄场景。对RAG与文档智能从业者极具参考价值，但需关注其消融缺失与代码未开源现状。

强化学习

数据流

DeepSeek

2026上云采购 | AI焕新·智启新局

documentocr

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

1.2B 小模型赢过 235B 大模型：NaviDC-OCR 把文档解析卷明白了-腾讯云开发者社区-腾讯云

1.2B 小模型赢过 235B 大模型：NaviDC-OCR 把文档解析卷明白了

1.2B 小模型赢过 235B 大模型：NaviDC-OCR 把文档解析卷明白了

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐