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Qwen2.5-VL-7B视觉语言模型（VLM）构建，通过强化学习优化布局分析与阅读顺序推断。该模型可直接将PDF图像或扫描文档转换为结构化HTML输出，支持复杂排版、多栏布局、数学公式、化学结构及手写内容的精准解析，适用于学术论文、企业报表、合同文档等场景，显著降低结构化数据处理成本。

功能特点

1. 端到端处理：输入文档图像，直接输出带逻辑结构的HTML，无需OCR、布局检测等多阶段流水线。
2. 复杂内容识别：支持数学公式（LaTeX格式）、化学结构（SMILES格式）、表格、手写中文字符等。
3. 结构化输出：每个内容块标注类别（段落、表格、公式等）、边界框坐标及OCR文本，自动过滤页眉、页脚等噪声。
4. 阅读顺序优化：通过强化学习确保多栏文档、嵌套表格的逻辑顺序正确性。
5. 多语言支持：兼容中英文混排、阿拉伯语、日韩文等（未来升级方向）。

优缺点

• 优点：
  • 统一模型架构降低复杂度，避免多工具拼接的精度损失。
  • 在STEM领域（如化学结构、数学公式）解析准确率显著优于同类工具。
  • 开源且支持商业化（Apache 2.0协议），提供在线Demo快速体验。
• 缺点：
  • 当前对极端长宽比文档（如长截图）支持不足，需后续优化。
  • 手写内容识别错误率仍高于印刷体，复杂连笔字可能需后处理。

如何使用

1. 在线体验：访问ModelScope魔搭社区，选择样例文档（如英文论文、化学试卷）点击“Convert”，实时查看原始文档与解析结果的对比。
2. 本地部署：
   • 搭建环境：创建Conda虚拟环境并安装依赖（conda create -n logics-parsing python=3.10）。
   • 下载模型：通过HuggingFace或ModelScope获取预训练权重。
   • 运行推理：使用命令行工具输入图像路径，生成HTML结果（如python3 inference.py --image_path input.png --output_path output.html）。

框架技术原理

1. 基础模型：基于Qwen2.5-VL-7B，继承其跨模态（视觉+语言）理解能力。
2. 两阶段训练：
   • 监督微调（SFT）：使用30万张高质量文档图像训练，覆盖文本、公式、表格、化学结构及手写汉字。
   • 强化学习（RL）：通过布局感知奖励机制优化阅读顺序，解决多栏排版、嵌套结构等难题。
3. 输出设计：生成带语义标签的Qwen HTML，保留文档逻辑结构，支持可视化校验。

创新点

1. 统一模型架构：打破传统“OCR+布局检测+公式解析”的流水线模式，实现单模型端到端处理。
2. 强化学习优化：引入布局感知奖励，显著提升复杂文档的解析准确性。
3. STEM领域专业支持：精准识别化学结构（SMILES格式）和数学公式（LaTeX格式），填补专业文档解析空白。
4. 开源生态：提供代码、预训练模型及基准测试集，推动社区协作优化。

评估标准

• LogicsParsingBench基准测试：包含1078页复杂文档，覆盖学术论文、技术报告等9大类及20余子类。
• 核心指标：
  • 整体编辑距离：比Mathpix低3.2%，比GPT-5低近50%。
  • 中文表格识别准确率：86.6%（超越专业工具Textin）。
  • 手写内容错误率：25.2%（领先第二名14%）。
  • 化学结构错误率：51.9%（同类工具普遍>80%）。
  • 公式文本识别错误率：8.9%（每百字错不到1个）。

应用领域

1. 科研场景：解析学术论文中的嵌套表格、复杂公式，支持RAG知识库构建。
2. 教育领域：将手写笔记、试卷转换为可检索电子版，辅助视力障碍学生屏幕朗读。
3. 企业服务：自动提取合同关键条款、财务报销单表格数据，减少人工操作误差。
4. 化学与数学研究：将化学结构式转为SMILES格式，直接对接实验室分析工具。

项目地址

• GitHub仓库：https://github.com/alibaba/Logics-Parsing
• HuggingFace模型库：https://huggingface.co/Logics-MLLM/Logics-Parsing
• arXiv技术论文：https://arxiv.org/pdf/2509.19760
• 在线Demo：ModelScope魔搭社区