无OCR文档理解模型

29项评测新基准

专为文本中心任务设计，不依赖OCR，通过窗口注意力与令牌过滤在文档理解和信息提取上全面超越同规模模型。

Liu, Yuliang · Yang, Biao · Qiang, Liu · Zhang, Li · Zhiyin, Ma · Shuo, Zhang · 白翔

IEEE Transactions on Pattern Analysis and Machine Intelligence 2026

参数信息

OCRBench得分

561

场景文本中心任务提升

5.2 %

文档导向任务提升

6.9 %

关键信息提取任务提升

2.8 %

场景文本检测提升

10.9 %

技术优势

窗口间也能看到

在高分辨率输入下，Shifted Window Attention层使不同窗口之间能交换信息，同时稳定早期训练。

筛掉冗余令牌，性能不降反升

利用相似度筛选出重要令牌，既缩短了序列长度，又提升了模型性能。

检测与定位一体

模型能力扩展到文本检测与定位，并在回答中融入位置信息，增强可解释性。

应用场景

• 文档智能处理：直接端到端理解文档图像，免去OCR中间步骤，适合大规模文档数字化。
• 信息提取系统：在表单、票据等关键信息提取任务上超过基线，可直接用于业务流程自动化。
• 多模态内容分析：将文本检测与定位融入多模态推理，输出带位置信息，便于内容审核和结构化。