2026年2月26日，我們正式發(fā)布首個(gè)工業(yè)級(jí)文檔智能基礎(chǔ)大模型 Unisound U1-OCR，以“性能SOTA、可信可驗(yàn)、開箱即用、高效部署、強(qiáng)適配”五大核心優(yōu)勢(shì)，重塑傳統(tǒng)文檔處理邊界，開啟了 OCR 3.0 時(shí)代，為后續(xù) U1-OCR 系列模型的迭代升級(jí)奠定了堅(jiān)實(shí)基礎(chǔ)。

今天，歷經(jīng)底層架構(gòu)重構(gòu)與海量真實(shí)場(chǎng)景打磨，云知聲 U1-OCR 能力實(shí)現(xiàn)再度進(jìn)化，推出系列模型。同時(shí)，該模型同步全量上線云知聲Token Hub大模型服務(wù)平臺(tái)，開放標(biāo)準(zhǔn)化 API，支持一鍵接入、按需調(diào)用，采用Token 計(jì)費(fèi)模式，大幅降低企業(yè)接入成本與部署門檻，讓 OCR 3.0 時(shí)代的文檔智能能力惠及更多行業(yè)。

核心亮點(diǎn)

全量API正式開放：上線云知聲Token Hub大模型服務(wù)平臺(tái)，標(biāo)準(zhǔn)化接口一鍵調(diào)用，按Token計(jì)費(fèi)，開箱即用

技術(shù)權(quán)威認(rèn)證：核心論文ACL 2026收錄，雙權(quán)威數(shù)據(jù)集登頂，性能可驗(yàn)可追溯

架構(gòu)范式升級(jí)：拋棄傳統(tǒng)NMS，用統(tǒng)一結(jié)構(gòu)精修解決級(jí)聯(lián)誤差，復(fù)雜版面解析質(zhì)的飛躍

行業(yè)全場(chǎng)景適配：金融/醫(yī)療/教育/交通等復(fù)雜文檔，結(jié)構(gòu)理解+順序恢復(fù)一步到位

API入口（點(diǎn)擊體驗(yàn)U1-OCR-Parser 文檔解析模型與 U1-OCR-Extract 信息抽取模型）：

https://maas.unisound.com/

論文查看：

https://arxiv.org/pdf/2601.07483

https://arxiv.org/pdf/2604.02692

一、行業(yè)痛點(diǎn)破局：為什么OCR精度夠了，下游依然“錯(cuò)亂”？

在真實(shí)業(yè)務(wù)場(chǎng)景中，文檔解析的核心需求從來不止于“識(shí)別文字”。無論是論文、研報(bào)、教材、試卷等常見文檔，還是各類復(fù)雜PDF，我們的系統(tǒng)不僅要完成文本識(shí)別，更會(huì)進(jìn)一步理解頁面中的結(jié)構(gòu)組織關(guān)系，并精準(zhǔn)還原符合人類閱讀習(xí)慣的內(nèi)容順序。唯有明確兩個(gè)核心問題——“這是什么區(qū)域”以及“這些區(qū)域應(yīng)按什么順序理解”，文檔內(nèi)容才能穩(wěn)定支撐下游的信息抽取、檢索、問答、知識(shí)入庫(kù)等關(guān)鍵任務(wù)。

這也意味著，文檔解析能力的關(guān)鍵，早已超越OCR識(shí)別精度本身，核心在于系統(tǒng)能否真正讀懂頁面結(jié)構(gòu)與內(nèi)容順序。真實(shí)業(yè)務(wù)中的文檔極少是線性純文本，往往融合了標(biāo)題、正文、圖表、表格、頁眉頁腳、腳注、多欄排版等多種元素。若系統(tǒng)僅能完成文字識(shí)別，卻無法精準(zhǔn)判斷版面結(jié)構(gòu)與區(qū)域關(guān)聯(lián)，就容易出現(xiàn)圖文順序錯(cuò)亂、標(biāo)題與正文混淆、多欄內(nèi)容串行、上下文錯(cuò)位等問題，進(jìn)而影響字段抽取、知識(shí)入庫(kù)和問答檢索等任務(wù)的穩(wěn)定性。

二、典型痛點(diǎn)具象化：復(fù)雜頁面中的解析困境

在復(fù)雜、密集的文檔頁面中，版面檢測(cè)器往往會(huì)針對(duì)同一塊內(nèi)容，輸出多個(gè)重疊、邊界略有差異的候選框。表面上看系統(tǒng)“檢測(cè)到了全部?jī)?nèi)容”，但這些候選框并非都能直接用于下游解析——真正重要的不是候選框的數(shù)量，而是最終保留的區(qū)域是否準(zhǔn)確、完整，以及能否按正確順序組織。

若不對(duì)這些候選框做處理，直接送入下游解析器（Parser），會(huì)導(dǎo)致內(nèi)容重復(fù)、結(jié)構(gòu)混亂，甚至打亂正常閱讀順序。傳統(tǒng)行業(yè)內(nèi)解決方案通常采用非極大值抑制（NMS）進(jìn)行候選框去重，即在多個(gè)重疊區(qū)域中刪除重復(fù)結(jié)果、保留一個(gè)候選框。但在真實(shí)復(fù)雜頁面中，僅靠啟發(fā)式NMS往往不夠穩(wěn)定：多個(gè)候選框雖指向同一內(nèi)容，但完整性和定位質(zhì)量存在差異，NMS只能完成“去重”，卻未必能保留“最適合下游解析”的區(qū)域，反而可能誤刪定位更準(zhǔn)、覆蓋更全的區(qū)域。

結(jié)合實(shí)際應(yīng)用場(chǎng)景，這一痛點(diǎn)表現(xiàn)得尤為突出：

農(nóng)業(yè)報(bào)刊版面中，報(bào)紙多欄排版的文章，系統(tǒng)閱讀時(shí)會(huì)胡亂跨欄跳轉(zhuǎn)，本該從上到下、從左到右閱讀，結(jié)果經(jīng)常左邊讀到一半跳到右邊，再跳回左邊，完全不符合人正?？磮?bào)紙的順序，閱讀邏輯斷裂。

再以包含數(shù)獨(dú)、拼字游戲與填字區(qū)域的高密度頁面為例，這類頁面元素繁雜、功能區(qū)域交錯(cuò)，對(duì)模型的布局理解能力提出了更高要求。

這類娛樂版面中，文字、游戲格子、題目說明擠在一起，系統(tǒng)分不清哪句話對(duì)應(yīng)哪個(gè)游戲，經(jīng)常把文字和格子錯(cuò)誤綁定，還在不同游戲之間隨意跳轉(zhuǎn)，既讀不通順序，又認(rèn)錯(cuò)內(nèi)容歸屬。

這正是復(fù)雜文檔解析的典型難點(diǎn)：?jiǎn)栴}不在于文字未被識(shí)別，而在于結(jié)構(gòu)信息未被穩(wěn)定整理，難以高效交付給下游模塊。

三、破局思路：從“獨(dú)立模塊堆疊”到“統(tǒng)一結(jié)構(gòu)假設(shè)池精修”

基于上述行業(yè)痛點(diǎn)，我們認(rèn)為，復(fù)雜文檔解析的核心突破點(diǎn)，不僅在于提升OCR識(shí)別精度或單點(diǎn)檢測(cè)指標(biāo)，更在于穩(wěn)定檢測(cè)器（detector）到解析器（parser）的結(jié)構(gòu)交接過程。

傳統(tǒng)方案通常將候選區(qū)域篩選、區(qū)域保留、閱讀順序恢復(fù)視為三個(gè)獨(dú)立步驟：NMS負(fù)責(zé)去重，排序模塊負(fù)責(zé)整理順序。這種拆分式處理在簡(jiǎn)單頁面中可正常工作，但在復(fù)雜頁面中容易產(chǎn)生級(jí)聯(lián)誤差——排序建立在未穩(wěn)定的候選集合上，一旦后續(xù)篩選改變保留區(qū)域，原有順序就可能失效。

針對(duì)這一行業(yè)普遍存在的問題，我們?cè)赨1-OCR 中采用了面向復(fù)雜文檔場(chǎng)景的解析設(shè)計(jì)：不再將檢測(cè)器輸出直接作為解析器可用的版面布局，而是將其視為“待精修的結(jié)構(gòu)假設(shè)池”，在解析器交接前引入輕量級(jí)結(jié)構(gòu)精修模塊，對(duì)候選區(qū)域的保留、定位與順序進(jìn)行統(tǒng)一建模。最終，定位修正、實(shí)例保留和閱讀順序恢復(fù)從同一個(gè)精修狀態(tài)中同步生成，下游解析器接收的是干凈、有序的版面集合，而非僅經(jīng)過啟發(fā)式后處理的原始檢測(cè)結(jié)果。

從本質(zhì)上看，我們的這一設(shè)計(jì)可拆解為兩個(gè)核心子任務(wù)：一是結(jié)構(gòu)識(shí)別，即判斷頁面中每個(gè)區(qū)域的內(nèi)容類型、確定需保留的區(qū)域；二是順序推理，即規(guī)劃保留區(qū)域的合理閱讀路徑。

四、核心技術(shù)解析：四大關(guān)鍵設(shè)計(jì)，筑牢技術(shù)壁壘

U1-OCR 文檔解析的核心邏輯是：輸入文檔頁面圖像后，模型先通過第一階段檢測(cè)器生成初始候選假設(shè)池，再在解析器交接前進(jìn)行統(tǒng)一結(jié)構(gòu)精修——區(qū)別于傳統(tǒng)方法依賴NMS決定候選區(qū)域去留，我們將檢測(cè)器輸出視為待精修集合，從中構(gòu)造更穩(wěn)定的解析器可用版面。其核心技術(shù)優(yōu)勢(shì)體現(xiàn)在四大關(guān)鍵設(shè)計(jì)上：

4.1 面向解析器接口的結(jié)構(gòu)精修

U1-OCR 的核心不在于單獨(dú)優(yōu)化檢測(cè)或排序的某個(gè)局部步驟，而在于重新建模檢測(cè)器到解析器的交接過程。通過在解析器接口前引入輕量級(jí)精修階段，讓定位修正、實(shí)例保留與閱讀順序恢復(fù)在統(tǒng)一表示空間中完成，大幅提升最終結(jié)構(gòu)接口的穩(wěn)定性。

4.2 雙向空間位置引導(dǎo)注意力

結(jié)構(gòu)精修階段采用雙向空間位置引導(dǎo)注意力機(jī)制，聯(lián)合建模候選區(qū)域之間的關(guān)系與圖像證據(jù)。這一設(shè)計(jì)讓當(dāng)前候選區(qū)域的更新，不僅依賴自身局部視覺信息，還能結(jié)合其他候選區(qū)域的空間分布與全局版面布局，有效處理多欄排版、相鄰文本塊競(jìng)爭(zhēng)、圖文混排中的結(jié)構(gòu)歧義，為后續(xù)實(shí)例保留與順序恢復(fù)提供穩(wěn)定基礎(chǔ)。

4.3 保留導(dǎo)向監(jiān)督

引入保留導(dǎo)向監(jiān)督目標(biāo)，讓模型通過學(xué)習(xí)建模候選區(qū)域之間的結(jié)構(gòu)競(jìng)爭(zhēng)關(guān)系，而非依賴固定的IoU抑制規(guī)則決定區(qū)域去留，減少?gòu)?fù)雜頁面中因機(jī)械過濾導(dǎo)致的內(nèi)容缺失與結(jié)構(gòu)破壞。

4.4 難度感知順序約束

在閱讀順序恢復(fù)上，對(duì)保留實(shí)例的順序關(guān)系進(jìn)行建模，并引入難度感知加權(quán)，強(qiáng)化復(fù)雜區(qū)域之間的排序?qū)W習(xí)，讓模型能在共享的精修結(jié)構(gòu)狀態(tài)上，恢復(fù)更一致的全局閱讀路徑，尤其適配跨欄、嵌套、圖文混排等復(fù)雜版面。

五、實(shí)驗(yàn)驗(yàn)證：雙數(shù)據(jù)集登頂，性能全面領(lǐng)先

為驗(yàn)證我們產(chǎn)品技術(shù)方案的有效性，我們從兩個(gè)維度開展評(píng)測(cè)：一是采用pageIoU協(xié)議，獨(dú)立評(píng)估最終保留版面集合的頁面級(jí)結(jié)構(gòu)質(zhì)量；二是固定PaddleOCR-VL-1.5后端，僅替換前端版面分析模塊，觀察更穩(wěn)定的檢測(cè)器－解析器交接是否能提升端到端解析效果——核心關(guān)注閱讀順序相關(guān)指標(biāo)的改善情況。本次評(píng)測(cè)覆蓋兩大權(quán)威數(shù)據(jù)集：OmniDocBench與D4LA。

5.1 主結(jié)果對(duì)比：結(jié)構(gòu)理解能力跨數(shù)據(jù)集領(lǐng)先

實(shí)驗(yàn)結(jié)果顯示，U1-OCR在兩大數(shù)據(jù)集上均取得最高F1分?jǐn)?shù)，展現(xiàn)出強(qiáng)勁的版面結(jié)構(gòu)理解能力與跨數(shù)據(jù)集泛化能力：

在OmniDocBench數(shù)據(jù)集上，我們的產(chǎn)品F1分?jǐn)?shù)達(dá)96.23，優(yōu)于PP-DocLayoutV3（96.03）、MinerU2.5（95.90）、dots.ocr v1.5（95.59）及PP-StructureV3（94.60）；在D4LA數(shù)據(jù)集上，我們以93.93的F1分?jǐn)?shù)登頂，領(lǐng)先dots.ocr v1.5（92.80）、MinerU2.5（90.20）、PP-DocLayoutV3（89.71）和PP-StructureV3（86.00）。

這一結(jié)果表明，在結(jié)構(gòu)更復(fù)雜、布局變化更豐富的頁面中，U1-OCR模型矩陣能更高效地處理區(qū)域邊界判定、類別區(qū)分與整體結(jié)構(gòu)恢復(fù)問題，精準(zhǔn)實(shí)現(xiàn)“將競(jìng)爭(zhēng)候選假設(shè)穩(wěn)定為解析器可用結(jié)構(gòu)輸入”的設(shè)計(jì)目標(biāo)。（注：PP-DocLayoutV3為PaddleOCR-VL-1.5與GLM-OCR所使用的版面分析模塊。）

5.2 OCR解析結(jié)果對(duì)比：閱讀順序恢復(fù)精度最優(yōu)

在OmniDocBench數(shù)據(jù)集上，U1-OCR同時(shí)展現(xiàn)出出色的綜合解析能力與閱讀順序恢復(fù)能力：

從綜合指標(biāo)Overall來看，我們的產(chǎn)品以94.63的分?jǐn)?shù)略高于GLM-OCR（94.62），優(yōu)于PaddleOCR-VL-1.5（94.50）、dots.ocr v1.5（93.58）及Youtu-Parsing（93.22），彰顯端到端文檔解析的穩(wěn)定競(jìng)爭(zhēng)力；從閱讀順序核心指標(biāo)Read Order Edit來看，我們?nèi)〉?.024的最優(yōu)結(jié)果（該指標(biāo)越低越好），遠(yuǎn)優(yōu)于Youtu-Parsing（0.026）、dots.ocr v1.5（0.029）、PaddleOCR-VL-1.5（0.042）和GLM-OCR（0.044）。

實(shí)驗(yàn)進(jìn)一步證明，啟發(fā)式NMS僅能緩解重復(fù)框問題，無法兼顧定位、保留與排序的一致性；而我們產(chǎn)品采用的統(tǒng)一精修方案，能在多個(gè)數(shù)據(jù)集上實(shí)現(xiàn)三者的結(jié)構(gòu)平衡，在閱讀順序恢復(fù)上顯著優(yōu)于“檢測(cè)后再接獨(dú)立排序模型”的傳統(tǒng)做法，也印證了產(chǎn)品技術(shù)的有效性。

從“OCR識(shí)別”到“文檔理解”，賦能行業(yè)數(shù)字化升級(jí)

U1-OCR 的目標(biāo)遠(yuǎn)不只是“把文字識(shí)別出來”，更要切實(shí)解決復(fù)雜文檔頁面中的結(jié)構(gòu)理解與閱讀順序恢復(fù)難題。我們將文檔解析拆解為“識(shí)別結(jié)構(gòu)”和“梳理順序”兩大核心任務(wù)，圍繞這兩個(gè)任務(wù)設(shè)計(jì)專屬關(guān)鍵技術(shù)，不僅在多個(gè)公開權(quán)威數(shù)據(jù)集上取得了領(lǐng)先成績(jī)，更為真實(shí)業(yè)務(wù)場(chǎng)景中最容易被忽略的檢測(cè)器與解析器交接環(huán)節(jié)（detector-to-parser handoff），提供了更穩(wěn)定、更可靠的處理方式。相關(guān)論文結(jié)論也印證了這一點(diǎn)：優(yōu)化解析器接口，是提升顯式DLA流水線文檔解析能力的切實(shí)有效路徑。

這也意味著，文檔解析正從單純的OCR文字識(shí)別，升級(jí)為更貼合真實(shí)業(yè)務(wù)需求的文檔理解能力。此次U1-OCR 全量上線云知聲Token Hub大模型服務(wù)平臺(tái)，同步開放標(biāo)準(zhǔn)化API和一鍵調(diào)用功能，將進(jìn)一步降低文檔智能技術(shù)的使用門檻，為醫(yī)療、交通、金融、教育等多個(gè)行業(yè)，提供高效、精準(zhǔn)的文檔解析服務(wù)，助力各行業(yè)順利實(shí)現(xiàn)數(shù)字化轉(zhuǎn)型升級(jí)。