百度千帆近日宣布推出全新端到端文檔智能模型Qianfan-OCR，該模型采用統(tǒng)一的視覺語言架構，以40億參數(shù)規(guī)模實現(xiàn)了文檔解析、版面分析、文字識別與語義理解的一體化融合。在多項權威評測中，該模型展現(xiàn)出顯著優(yōu)勢，標志著文檔智能技術從多階段流程向統(tǒng)一模型架構的跨越式發(fā)展。

在核心基準測試中，Qianfan-OCR表現(xiàn)尤為亮眼。在OmniDocBench v1.5評測中以93.12分位居端到端模型榜首，OCRBench評測成績顯著超越同規(guī)模通用視覺語言模型和專用OCR模型。在關鍵信息提取（KIE）領域，該模型在多個公開榜單總分上力壓Google Gemini 3-Pro等國際商用模型，展現(xiàn)出強大的技術競爭力。

針對圖表理解等復雜場景，Qianfan-OCR在ChartQA、ChartBench等6項國際權威評測中斬獲5項最佳成績。其獨特的結構理解與多模態(tài)推理能力，能夠精準解析包含復雜表格、混合圖表的文檔內容，在金融報表、科研論文等場景中具有顯著應用價值。

傳統(tǒng)OCR系統(tǒng)普遍采用"檢測-識別-大模型"三段式架構，這種串聯(lián)處理方式容易導致誤差累積，且在文本分塊提取過程中會破壞原始文檔的空間結構與視覺上下文。例如復雜表格的行列關系、圖表的坐標對應等關鍵信息，在傳統(tǒng)流程中往往出現(xiàn)理解偏差。

Qianfan-OCR通過底層架構創(chuàng)新，構建了端到端的視覺語言模型。該模型直接從文檔圖像生成結構化輸出，完整保留視覺信息與空間關系，實現(xiàn)從像素到語義的直接映射。這種技術路徑不僅提升了處理效率，更在結構理解與推理任務中達到更高精度，有效解決了傳統(tǒng)方案的固有缺陷。

目前，Qianfan-OCR已在百度千帆平臺全面開放，同時通過HuggingFace開源模型權重。開發(fā)者與企業(yè)用戶可自由調用該模型，應用于金融、醫(yī)療、教育等領域的文檔智能化處理，推動行業(yè)數(shù)字化轉型進程。