Logics-Parsing ： 阿里开源的端到端文档解析模型

AI智库导航-aiguide.cc为您提供最新的AI新闻资讯和最新的AI工具推荐，在这里你可以获得用于营销的AI聊天机器人、AI在商业管理中的应用、用于数据分析的AI工具、机器学习模型、面向企业的AI解决方案、AI在商业客户服务中的应用、AI和自动化工具等。

主要介绍

Logics-Parsing是阿里巴巴开源的端到端文档解析模型，基于视觉语言模型（VLM）架构，旨在解决传统文档解析中“多工具拼接”导致的精度损失和兼容性问题。该模型可直接从文档图片生成结构化的HTML数据，保留文档的逻辑结构（如段落、表格、公式、化学结构等），并支持复杂排版场景（如多栏报纸、图文混排、跨页表格等）。2025年9月，阿里在云栖大会上正式发布该模型并同步开源，成为文档AI领域的重要突破。

功能特点

1. 端到端统一模型：输入文档图片，直接输出带逻辑结构的HTML代码，无需OCR、布局检测等多阶段流水线处理。
2. 复杂内容识别：支持数学公式、化学结构式（如SMILES格式）、手写内容、表格边界及行列结构识别。
3. 精细化输出：输出结果包含类别标签（段落、表格、公式等）、位置坐标、OCR文本及噪声过滤（自动去除页眉、页脚、水印）。
4. 高精度与高效性：在自建评测集（覆盖论文、报纸、海报等9大类文档）中表现SOTA（业界最佳），支持单GPU高效推理。

优缺点

• 优点：
  • 简化流程，降低复杂度，避免多工具拼接的误差累积。
  • 对复杂排版和科学内容的解析能力强，适用于学术、企业等场景。
  • 开源模型和工具链（如ModelScope、HuggingFace），社区支持完善。
• 缺点：
  • 对极低质量扫描件或艺术字体的识别可能受限。
  • 当前版本主要支持中英文，多语言（如阿拉伯语、日韩文）需后续升级。

框架技术原理

• 基础架构：基于Qwen2.5-VL架构，通过监督微调（SFT）和强化学习（RL）训练。
• 监督微调：融入化学式、手写汉字等多样化数据，提升模型对复杂元素的识别能力。
• 强化学习：设计布局感知奖励机制，优化阅读顺序推断和复杂布局分析。例如，模型通过“试错”学习多栏文档的正确阅读路径，奖励符合逻辑的顺序，惩罚错误顺序。
• 输出表示：生成Qwen-HTML格式，保留元素类别、边界框坐标及OCR文本，自动过滤无关内容。

创新点

1. 端到端解析：首次实现从文档图片到结构化HTML的全流程统一模型，替代传统流水线方法。
2. 强化学习驱动：通过RL解决LVLM（大型视觉语言模型）的“阅读障碍”，使模型学会规划最优阅读路径。
3. 科学内容支持：精准识别数学公式、化学结构式等复杂元素，支持STEM学科文档解析。

评估标准

• 结构准确性：HTML输出的逻辑结构与原始文档的一致性。
• 元素识别率：公式、表格、化学结构等复杂内容的识别精度。
• 阅读顺序合理性：多栏、跨页文档的阅读路径是否符合人类习惯。
• 性能效率：单GPU推理速度及资源消耗。

应用领域

• 学术研究：解析论文、专利、实验记录，支持知识检索和训练数据构建。
• 企业文档处理：合同、发票、财报等结构化提取，降低人工处理成本。
• 教育行业：扫描试卷、课堂笔记的自动化批改和内容分析。
• 内容管理：新闻网站、出版社的文档归档和语义化存储。

项目地址

• GitHub：https://github.com/alibaba/Logics-Parsing
• 项目主页：https://logics.alibaba-inc.com/parsing/
• 演示体验：https://www.modelscope.cn/studios/Alibaba-DT/Logics-Parsing/summary