百度千帆发布 Qianfan-OCR：4B 参数端到端模型，文档解析能力全球第一

百度千帆团队推出 Qianfan-OCR，这是一款参数量仅为 4B 的端到端文档智能大模型。不同于传统“检测 + 识别 + 理解”的多阶段流水线，Qianfan-OCR 在单一的视觉 - 语言架构内，实现了从图像直接到 Markdown的转换，并支持提示驱动的各种复杂任务。

• GitHub：https://github.com/baidubce/Qianfan-VL
• 模型：https://huggingface.co/baidu/Qianfan-OCR
• Demo：https://huggingface.co/spaces/baidu/Qianfan-OCR-Demo
• Skill：https://github.com/baidubce/skills/tree/develop/skills/qianfanocr-document-intelligence

在权威基准测试中，Qianfan-OCR 展现了惊人的性能：OmniDocBench v1.5 综合得分 93.12，超越 DeepSeek-OCR-v2、Gemini-3 Pro 及所有其他端到端模型，位居全球第一。同时，其在关键信息提取（KIE）任务上也以平均分 87.9 的成绩领跑，甚至击败了参数量高达 235B 的 Qwen3-VL。

核心亮点：小参数，大能量

• 🏆 全能冠军：
  • OmniDocBench v1.5：综合得分 93.12（第一名），在文本编辑距离、公式识别、表格还原及阅读顺序上全面领先。
  • OlmOCR Bench：得分 79.8（端到端模型第一名）。
  • 关键信息提取 (KIE)：在五个公开基准测试中平均得分 87.9，超越 Gemini-3.1-Pro、Seed-2.0 等巨型模型。
• 🧠 创新架构：“布局即思考” (Layout-as-Thinking)
  模型引入可选的 ⟨think⟩ 令牌触发机制。在生成最终输出前，模型会先生成结构化的版面表示。
  • 功能性：在端到端范式中恢复了显式的版面分析能力，用户可直接获取结构化数据。
  • 增强性：针对复杂布局、元素杂乱或非标准阅读顺序的文档，显著提升识别准确率。
• 🌍 多语言与高效部署：
  • 支持 192 种语言，覆盖全球主要文字体系。
  • 在单张 A100 GPU 上使用 W8A8 量化后，页面处理速度高达 1.024 PPS（Pages Per Second），延迟极低。

技术架构：精简而强大

Qianfan-OCR 基于 Qianfan-VL 多模态桥接架构构建，仅用 4B 参数实现了越级打击：

基准测试详解

1. 文档解析 (OmniDocBench v1.5)

Qianfan-OCR 以 93.12 的综合分夺冠，尤其在公式识别 (CDM 92.43) 和表格结构还原 (TEDss 93.85) 上表现优异，远超同量级的 DeepSeek-OCR-v2 和 Gemini-3 Pro。

注：虽然传统的 PaddleOCR-VL 1.5 流水线方案在部分指标略高，但 Qianfan-OCR 作为端到端模型，在架构简洁性和泛化能力上具有代际优势。

2. 文档理解与图表推理

在需要深度理解的 CharXiv (科学图表问答) 和 ChartQA 系列测试中，Qianfan-OCR 大幅领先 Qwen3-VL-4B/2B。

• CharXiv_DQ: 94.0 (vs Qwen3-VL-4B 的 81.8)
• ChartQAPro: 42.9 (vs Qwen3-VL-4B 的 36.2)
• 数据证明：传统两阶段系统在图表推理上得分为 0，因为结构信息在提取阶段已丢失，而 Qianfan-OCR 保留了完整的语义结构。

3. 关键信息提取 (KIE)

在发票、收据、证件等场景的提取任务中，Qianfan-OCR 综合得分 87.9，不仅超越了参数量大数十倍的 Qwen3-VL-235B，也在中文 KIE 任务上取得了 82.3 的高分。

应用场景与生态集成

Qianfan-OCR 通过提示词即可灵活切换任务模式，覆盖：

• 文档解析：图像/PDF 转 Markdown，保留完整格式。
• 表格与公式：复杂表格转 HTML/Excel，数学公式转 LaTeX。
• 图表理解：自动分析趋势、提取数据并回答相关问题。
• 多语言 OCR：支持 192 种语言的场景文本及手写体识别。

OpenClaw 技能集成：

百度已发布 Qianfan OCR 文档智能 技能包，兼容 OpenClaw、Claude Code、Codex 等主流 Agent 框架。开发者可一键调用该技能，实现文档自动解析、版面分析、信息提取等工作流的自动化。