百度千帆近日宣布推出全新端到端文檔智能模型Qianfan-OCR，該模型采用統(tǒng)一的視覺語言架構(gòu)，以40億參數(shù)規(guī)模實(shí)現(xiàn)了文檔解析、版面分析、文字識別與語義理解的一體化融合。在多項(xiàng)權(quán)威評測中，該模型展現(xiàn)出顯著優(yōu)勢，標(biāo)志著文檔智能技術(shù)從多階段流程向統(tǒng)一模型架構(gòu)的跨越式發(fā)展。

在核心基準(zhǔn)測試中，Qianfan-OCR表現(xiàn)尤為亮眼。在OmniDocBench v1.5評測中以93.12分位居端到端模型榜首，OCRBench評測成績顯著超越同規(guī)模通用視覺語言模型和專用OCR模型。在關(guān)鍵信息提?。↘IE）領(lǐng)域，該模型在多個公開榜單總分上力壓Google Gemini 3-Pro等國際商用模型，展現(xiàn)出強(qiáng)大的技術(shù)競爭力。

針對圖表理解等復(fù)雜場景，Qianfan-OCR在ChartQA、ChartBench等6項(xiàng)國際權(quán)威評測中斬獲5項(xiàng)最佳成績。其獨(dú)特的結(jié)構(gòu)理解與多模態(tài)推理能力，能夠精準(zhǔn)解析包含復(fù)雜表格、混合圖表的文檔內(nèi)容，在金融報表、科研論文等場景中具有顯著應(yīng)用價值。

傳統(tǒng)OCR系統(tǒng)普遍采用"檢測-識別-大模型"三段式架構(gòu)，這種串聯(lián)處理方式容易導(dǎo)致誤差累積，且在文本分塊提取過程中會破壞原始文檔的空間結(jié)構(gòu)與視覺上下文。例如復(fù)雜表格的行列關(guān)系、圖表的坐標(biāo)對應(yīng)等關(guān)鍵信息，在傳統(tǒng)流程中往往出現(xiàn)理解偏差。

Qianfan-OCR通過底層架構(gòu)創(chuàng)新，構(gòu)建了端到端的視覺語言模型。該模型直接從文檔圖像生成結(jié)構(gòu)化輸出，完整保留視覺信息與空間關(guān)系，實(shí)現(xiàn)從像素到語義的直接映射。這種技術(shù)路徑不僅提升了處理效率，更在結(jié)構(gòu)理解與推理任務(wù)中達(dá)到更高精度，有效解決了傳統(tǒng)方案的固有缺陷。

目前，Qianfan-OCR已在百度千帆平臺全面開放，同時通過HuggingFace開源模型權(quán)重。開發(fā)者與企業(yè)用戶可自由調(diào)用該模型，應(yīng)用于金融、醫(yī)療、教育等領(lǐng)域的文檔智能化處理，推動行業(yè)數(shù)字化轉(zhuǎn)型進(jìn)程。