轻量级多任务文档解析模型的技术演进：从规则框到多边形定位

在真实业务场景中，文档解析长期面临一个被低估的难题：文档并不是平整的。扫描件存在透视畸变，手机拍摄带来倾斜与光照不均，古籍与档案纸张的褶皱会造成局部扭曲。传统文档解析方案通常以水平矩形框（axis-aligned bounding box）作为文本定位的基本单位，一旦页面发生旋转或形变，矩形框就会引入大量背景噪声，进而拖累识别精度。近期开源的轻量级多任务文档解析模型在这一方向上给出了系统性解法：以仅0.9B参数的视觉语言模型（VLM）为载体，将不规则形状定位、多任务识别与跨页结构恢复整合进统一框架。本文从技术能力、评测表现与工程落地三个维度展开分析。

一、问题背景：矩形框假设为何在真实文档上失效

文档解析的经典流水线是“检测—识别—结构化”三段式。检测阶段输出矩形框，识别阶段对框内区域裁剪后送入识别模型。这一设计在标准印刷文档上表现良好，但在以下场景中会显著退化：

1. 倾斜与旋转：页面旋转5°以上时，矩形框面积迅速膨胀，框内混入相邻行文本或表格线，识别模型被迫处理噪声上下文。
2. 透视与扭曲：手机拍摄或装订书籍的页面弯曲，导致同一文本行的字符高度不一致，矩形框无法贴合行边界。
3. 复杂版面：表格单元格、公式区域、印章覆盖区域与正文交错，矩形框难以表达非轴对齐的阅读顺序。
4. 长文档碎片化：跨页表格与跨页段落标题被页码切断，逐页解析会产生结构断裂。

因此，定位粒度的选择直接决定了后续识别的上限。将定位单位从矩形框升级为任意多边形（polygon），是缓解上述问题的关键一步。

二、核心能力拆解：0.9B参数下的多任务统一

该模型定位为面向复杂真实场景的多任务视觉语言模型，参数量控制在0.9B，强调高效率与部署友好。其能力可归纳为四个层面。

2.1 不规则形状定位

模型引入多边形检测能力，用一组顶点序列描述文本行或版面元素的几何边界，而非单一矩形。这一改动带来的直接收益是：

• 倾斜文本行的框内背景占比大幅下降，识别输入更干净；
• 扭曲页面上的弯曲文本行可以被逐段贴合；
• 表格单元格、公式块、印章等非规则区域可按真实轮廓表达。

从工程视角看，多边形输出的后处理成本高于矩形框，需要在解码阶段做顶点排序、凸包校验与重叠抑制。开发者在集成时应预留几何后处理模块，并对顶点数量设置上限以控制延迟。

2.2 多任务识别能力

模型覆盖的任务集合包括：通用OCR、表格识别、公式识别、图表转表格、文本行定位与识别（Spotting）、印章识别。多任务共享同一视觉编码器与解码器，通过任务前缀或指令区分输出格式，避免了为每个任务单独维护一套模型权重。对企业用户而言，这意味着一个服务实例可以覆盖多种文档处理需求，降低模型托管与版本管理的复杂度。

2.3 真实物理失真鲁棒性

为严格评估模型在扫描伪影、倾斜、扭曲、屏幕拍摄与光照变化下的表现，相关工作报告了专门构建的真实失真评测集。这类评测集的价值在于：它把“实验室精度”和“现场精度”的差距显式暴露出来。开发者在选型时，应优先关注模型在失真子集上的分项指标，而非只看单一总分。

2.4 专业场景与多语言扩展

模型在生僻字、古籍文本、多语言表格、下划线与复选框识别上做了增强，语言覆盖扩展至藏文与孟加拉语等语种。同时支持跨页表格自动合并与跨页段落标题识别，用于缓解长文档解析中的内容碎片化问题。

三、评测表现与横向参照

在权威文档解析基准上，该模型报告了94.5%的准确率，较其前代模型有明显提升，在表格、公式与文本识别三个子项上均有改善。需要说明的是，基准分数受版面分布、语言构成与后处理策略影响较大，横向比较时应保持谨慎。

关于与其他OCR方案的效果对比，业界常见的技术路线大致分为两类：一类是“检测+识别”级联的传统流水线，另一类是端到端视觉语言模型。二者的差异不在单一指标，而在适用边界：

维度	级联流水线方案	端到端VLM方案
定位粒度	多为矩形框，扩展多边形需定制	原生支持多边形输出
多任务扩展	每任务独立模型，维护成本高	统一模型，指令切换任务
长文档结构	依赖外部版面分析后处理	可在模型内做跨页结构恢复
推理成本	单任务较轻，多任务叠加后上升	单次推理覆盖多任务，参数量可控
可解释性	中间结果清晰，便于调试	输出为结构化文本，需约定Schema

因此，“谁的效果更好”并不是一个可以脱离场景回答的问题。对于版面规整、吞吐量极大的批量扫描件，轻量级级联方案仍有成本优势；对于倾斜拍摄、表格公式混杂、需要跨页结构恢复的场景，端到端VLM的多边形定位与多任务统一能力更具吸引力。

四、工程落地建议

4.1 输出Schema设计

建议在服务层统一定义结构化输出契约，将多边形坐标、任务类型与置信度显式建模，便于下游消费：

{
  "page": 3,
  "task": "text_spotting",
  "polygons": [
    {
      "points": [[120, 340], [480, 336], [482, 372], [118, 376]],
      "text": "示例文本行",
      "confidence": 0.98
    }
  ],
  "cross_page": {
    "merged_table_id": "tbl-07",
    "continued_from": 2
  }
}

4.2 性能与部署考量

0.9B参数量使模型可在单卡甚至边缘设备上部署，但多任务并发时仍需注意：

• 对高分辨率页面做分块推理，控制单次输入尺寸；
• 多边形顶点数设上限，超限时降采样为最小外接多边形；
• 对印章识别等低频任务按需调度，避免常驻占用显存；
• 建立分任务、分失真类型的离线评测集，持续回归。

4.3 长文档处理策略

跨页表格合并与跨页标题识别依赖页间上下文。实践中建议按“页内解析—页间对齐—结构合并”三阶段组织流水线，并在页间对齐阶段引入版面相似度与列宽一致性校验，减少错误合并。

五、小结

轻量级多任务文档解析模型的演进方向已经清晰：用更细的定位粒度对抗真实物理失真，用统一的多任务框架降低工程复杂度，用受控的参数量保证部署可行性。对开发者而言，评估这类模型时应重点关注三点——多边形定位的实际召回与后处理成本、多任务输出的一致性与Schema稳定性、以及跨页结构恢复在自有语料上的真实收益。基准分数是起点而非结论，只有在自己的失真数据集上跑通端到端链路，才能判断它是否真正解决了业务问题。