💡 一句话总结：NaviDC-OCR 证明了在文档解析这条赛道上，"针对性的数据工程 + 训练配方"比堆参数量管用——1.2B 模型四大基准全第一，还顺手赢了一堆几十倍大的通用大模型；做 RAG、OCR、文档智能的人值得读它的方法部分。
🎯 先问一个做 RAG 的人都懂的问题
你的 RAG 系统里塞进去一份 PDF，检索质量还行。然后用户传了张手机拍的合同照片——页面有点弯、有阴影、表格被透视压扁——chunk 切出来一片狼藉，检索直接报废。
对，就是你想的那个坑。这不是你 embedding 模型的问题，是文档解析在最前面就翻车了：把非结构化文档变成结构化表示（Markdown、表格、公式）这一步，是 RAG 和训练数据管线的地基，地基一歪后面全歪。
最近中国电信 AI 团队发的 NaviDC-OCR 就是专治这个的，而且战绩有点夸张：
- 📊 OmniDocBench v1.6（数字文档解析基准）：96.87 分，第一——超过 PaddleOCR-VL-1.6、MinerU2.5-Pro 这些大厂方案；
- 🤯 同一张榜上，235B 的 Qwen3-VL 拿 89.78，GPT-5.2 拿 86.52，241B 的 InternVL3.5 拿 83.61——1.2B 的 NaviDC-OCR 比它们都高一大截；
- 📸 Wild-OmniDocBench（手机拍摄文档基准）：88.53，第一；
- 🏆 ICDAR 2026 科研图转表国际挑战赛：第一。
小模型吊打大模型，这种事在通用能力上不可能发生，但在文档解析这个垂直赛道上就是发生了。为什么？往下看。
想自己动手试？
- 📄 论文：arXiv 2608.12898
- 🧩 基座组件：Qwen2.5-VL + Qwen3-0.6B（模型本体是这两个开源件拼的）
- 💻 代码：论文承诺开源"完整实现与模型配置"，撰写时还没放出，先收藏论文等一手
🤔 这篇论文到底想解决什么问题？
先认识一下战场。现在的 VLM（Vision-Language Model，视觉语言模型）文档解析分两派，各有各的死法：
- 🔗 端到端派（OvisOCR、DeepSeek-OCR、HunyuanOCR 这类）：一张图进去、结构化文本出来，不搞中间步骤。优点是对几何畸变天生鲁棒；缺点是高分辨率文档上计算开销大，而且"看懂结构"和"认出文字"两件事耦在一起，动不动就冗余生成、幻觉；
- ✂️ 解耦派（Dolphin、MinerU、PaddleOCR-VL 这类）：先做版面分析框出"这里是标题、那里是表格"，再逐块解析内容。可控性强，数字文档上表现好；但它的命门是假设版面区域是规则矩形。
矩形的假设有什么问题？你的文档是平的，手机拍的文档不是。纸一弯、页一折，区域边界就变成了曲线，矩形框套上去不是切掉内容就是把两栏粘一起——而且版面分析的错会级联传导到后面每一步。论文做了个很说明问题的实验：对拍摄文档先跑一遍去畸变预处理，光把几何畸变消掉，两阶段解析的成绩就大幅上升。
所以 NaviDC-OCR 的研究问题一句话说清：能不能让一个模型既保住解耦范式的精度，又天生不怕拍歪拍弯的文档？
🛠️ 它的思路是什么？
它的答案是把文档矫正社区积攒的几何先验"焊"进 VLM 里，再加上一套教模型学结构的数据配方。架构上是三个开源件：Qwen2.5-VL 的视觉编码器 + Qwen3-0.6B 语言模型 + 一个从头训的 MLP 对齐器，总共约 1.2B 参数。
图说：两大训练策略——形变感知训练（让模型"感知"纸是怎么弯的）和内容-结构解耦学习（先学骨架再学内容），四阶段渐进式训练串起来。
第一招：形变感知，把"去畸变"变成模型的内功。
传统做法是文档矫正模型当预处理模块，先拉直再解析——两个模块各管各的。NaviDC-OCR 的做法是让 VLM 直接学：训练时在无畸变文档上撒 1024 个控制点（专业矫正模型要 8 万多个，这里砍到 1/80），合成出弯曲文档后让模型直接预测这些点被"揉"到了哪里。学会了感知形变，弯的纸在模型眼里就近乎是直的。
第二招：用边界点序列取代矩形框。
既然区域可能是曲线，那就别硬套矩形了——NaviDC-OCR 把版面检测改写成边界点序列预测：沿区域边界输出一串坐标点，简单区域用 4 个点（就是矩形），复杂弯曲区域自动多用几个点。这里还有个精巧的小设计叫 CGDP（曲率引导采样）：平坦的边界少花点、折痕和尖角这些高曲率的地方多花点——预算有限时把点花在刀刃上。
第三招：内容-结构解耦，专治表格和公式。
表格解析为什么难？因为模型要同时干两件事：搞清楚表格的骨架（几行几列、哪些单元格合并了）和认出内容（单元格里是什么字）。两件事搅在一起，生成就容易乱。NaviDC-OCR 把它们拆开：
- 📋 表格：用 OTSL（一种紧凑的表格结构描述语言）先学骨架，训练时故意把单元格内容全删掉，逼模型专注学表格拓扑——像先搭好 Excel 的合并单元格框架，再往里录数据；
- ➗ 公式：构建语法 token 库，LaTeX 的语法结构和文字内容分开学。
第四招：一条很能抄的数据工程流水线。
图说：三段式数据流水线——多个异构模型投票选伪标签、合成弯曲文档、自评判模型做最终质检。
这部分我觉得是全文最值得抄的作业：
- 🗳️ 多节点共识投票（MCV）：造训练数据要用伪标签，单模型的伪标签会被它自己的系统性错误污染。NaviDC-OCR 让多个架构不同的模型各解析一遍，取互相最一致的那版当标签——就像找几个不同背景的翻译各翻一遍，选彼此最认同的那版，而不是偏信某一个人；
- 🧑⚖️ 自评判 VLM：伪标签终究有漏网错误，怎么办？把解析结果渲染回图像，跟原文档图对比——把"文字对不对"这种跨模态校验变成"两张图像不一致"这种更稳的同模态校验。他们先试了 Qwen3-VL-235B 零样本干这活，召回率不到 40%，于是专门微调了个 7B 的裁判模型；
- 🔧 形变合成：用文档矫正社区的 Doc3D 数据造"平纸变弯纸"的配对样本，把数字文档域和拍摄文档域桥起来。
最后再用 GRPO（一种强化学习算法）按任务指标打磨一轮，整套就齐了。结构进模型、监督进训练、数据靠投票和质检——每一步都在解决一个具体的问题。
📈 效果到底怎么样？
直接看榜单。OmniDocBench v1.6 是 1651 页 PDF、10 类文档的综合考试，Overall 是文本、公式、表格三项得分的平均（越高越好）：
| 方法 | 参数 | Overall | 表格 TEDS |
|---|---|---|---|
| NaviDC-OCR | 1.2B | 96.87 | 97.05 |
| OvisOCR2 | 0.8B | 96.58 | 94.76 |
| PaddleOCR-VL-1.6 | 0.9B | 96.33 | 94.76 |
| MinerU2.5-Pro | 1.2B | 95.75 | 93.42 |
| Ovis2.6-30B（通用） | 30B | 93.62 | 89.44 |
| Gemini 3 Pro（通用） | – | 92.85 | 89.15 |
| Qwen3-VL-235B（通用） | 235B | 89.78 | 83.07 |
| GPT-5.2（通用） | – | 86.52 | 82.95 |
（TEDS 是表格还原准确度，越接近 100 越好。）
两个我最在意的点：
- 🎯 分项指标和设计主张对得上：表格 TEDS 领先第二名 2 分多、文本编辑距离全场最低——内容-结构解耦强化表格、形变感知强化文本，这个模式自洽，不是刷出来的总分；
- 📷 拍摄场景的领先更值钱：Wild-OmniDocBench 上拿 88.53，领先第二名 0.6 分。别嫌差距小——同榜的 HunyuanOCR-1.5 在真实拍摄退化下崩到 77.62，差距是 11 分。拍摄场景是所有方法的坟场，这里的第一名含金量最高。
定性效果更直观：
图说：同一页拍摄文档，对手模型漏检区域、认错类别，NaviDC-OCR 给出完整细粒度版面——形变感知不是白学的。
图说：密集财务表格，对手丢窄列、错误合并单元格，NaviDC-OCR 保住了层级表头和空单元格——解耦学习的功劳。
图说：页面严重旋转、公式上下颠倒的极端情况，对手只能认出零散符号，NaviDC-OCR 完整恢复了表达式。
图说：四个基准、两种范式（端到端 vs 解耦）的横向对比——NaviDC-OCR 在四个榜上全部站到了最上面。
💡 为什么你要关心？
哪怕你不做 OCR，这篇论文也有几条真能带走的东西：
- 🧩 "共识伪标签 + 渲染回图像自检"是通用的数据配方：任何需要大规模伪标签的场景（蒸馏、数据合成、自动标注）都能套 MCV 的思路——异构模型投票选共识；而"把生成结果渲染回图像再和原图对"的校验方式，比让 VLM 直接对文本靠谱得多，这两招的适用面远超文档解析；
- 🏗️ 垂直赛道的打法示范：1.2B 打赢 235B 的原因不是架构多先进（三个开源件拼的），而是领域知识（几何先验、结构语法）+ 数据工程的深度注入。如果你在做自己的垂直 VLM，这就是方法论模板；
- 📉 对选型的人：如果你的 pipeline 要吃手机拍摄的文档（票据、笔记、合同），这篇的结果表值得存一份——拍摄场景各家模型的差距是断崖式的，选错模型不是掉几个点的问题；
- 📚 给 RAG 人的启示：解析质量的差距（96 vs 83）会在检索环节被放大。与其折腾 embedding，不如先看看自己的文档解析器在 Wild-OmniDocBench 上能拿几分。
🧭 理性看待
朋友式提醒，三点：
- 零消融。形变感知、曲率采样、解耦学习、投票数据、强化学习——五个创新点没有任何一张消融表告诉你各自贡献几分。1.2B 拿第一的功劳有多大比例属于"600 万级数据的工程堆叠"整体，无法判断；
- 有个诚实的瑕疵：PureDocBench 评测时，模型在 6 个困难样本上出现严重的重复生成，作者把这些预测文件删了再评分（协议规定缺失预测记 0 分，所以逻辑上说得通，论文也把删了哪些文件列了出来）。态度坦诚，但这暴露了模型在极端困难样本上会"复读到死"，且其最弱赛道（真实退化）上实际已被 Gemini 反超；
- 代码未放。承诺开源但撰写时还没兑现，超参与数据规模给了、数据本体没给，现阶段复现有难度。
所以我的读法：方法配方当教科书读，榜单数字当参考看——统一评测协议下复评的结果可信度不低，但等代码和消融放出再下最终结论。
作者：lusca
版本：lusca-paper-blog v1.7.0
出处：https://github.com/yjmm10/lusca-skill/tree/main/skills/lusca-paper-blog
