Logics-Parsing：阿里巴巴开源的多模态端到端文档解析模型

Logics-Parsing是阿里巴巴推出的开源端到端文档解析模型，基于多模态大模型Qwen2.5-VL-7B构建。该模型创新融合监督微调与布局中心型强化学习技术，攻克复杂文档的结构解析与内容理解难题，可直接将PDF图像转换为结构化HTML输出，支持普通文本、数学公式、表格、化学公式、手写中文字符等多元内容类型的精准识别与解析。

Logics-Parsing核心功能：

1、端到端全类型文档解析：

无需复杂的预处理流程，可直接输入 PDF 图像并输出结构化 HTML 文件，完整覆盖普通文本、数学公式、表格、化学公式、手写中文字符等内容类型，实现文档内容与结构的双重精准还原。

2、双阶段训练驱动性能优化：

采用“监督微调+布局中心型强化学习”的两阶段训练范式：第一阶段通过监督微调让模型掌握结构化输出的基础能力；第二阶段基于强化学习，针对性优化文本识别准确性、内容块布局定位精度与阅读顺序合理性。

3、基准测试领先的解析性能：

在 LogicsParsingBench 专业基准测试中表现突出，尤其在纯文本、化学结构、手写内容三类高难度文档解析任务上，识别准确率与结构还原度远超现有方法。

4、复杂文档场景全覆盖：

适配学术论文、多栏报纸、宣传海报等多种复杂排版文档，可高效处理多栏布局、嵌套公式、手写批注等特殊格式，满足多样化的文档解析需求。

Logics-Parsing技术原理：

1、多模态基座模型赋能：

基于 Qwen2.5-VL-7B 多模态大模型构建，充分继承其在视觉特征提取与语言语义理解方面的优势，为复杂文档的跨模态解析提供坚实技术基础。

2、两阶段分层训练机制：

– 第一阶段：监督微调：

基于标注好的文档图像-HTML 结构化数据开展监督训练，让模型学习不同内容类型的识别方法与结构化输出逻辑，掌握基础的文档解析能力。

– 第二阶段：布局中心型强化学习：

设计文本准确性、布局定位、阅读顺序三大奖励组件，以文档布局逻辑为优化核心，通过强化学习让模型理解内容块的空间关系与语义关联，进一步提升解析精度。

3、结构化 HTML 输出设计：

输出的 HTML 格式不仅包含文档的文本内容，还为每个内容块标注类别标签、边界框坐标及 OCR 文本信息，完整保留原始文档的布局结构与语义层次。

4、专业内容精准识别能力：

针对科学领域文档特性优化，可准确识别复杂数学公式、化学结构，并将化学结构自动转换为标准 SMILES 格式；同时支持手写中文字符的精准识别，突破传统 OCR 技术的局限。

5、无关元素智能过滤：

内置内容筛选机制，可自动识别并过滤页眉、页脚、水印等非核心元素，聚焦文档主体内容的解析与提取，提升输出结果的可用性。

Logics-Parsing典型应用场景：

1、学术论文智能化处理：

高效解析包含多栏排版、复杂数学公式、化学结构式的学术论文，自动生成结构化 HTML 文件，助力学术文献的数字化归档、内容检索与知识图谱构建。

2、多栏出版物数字化转化：

适配报纸、杂志、海报等多栏布局的出版物，精准还原内容的排版结构与阅读顺序，为媒体内容的数字化加工与二次分发提供技术支撑。

3、手写文档数字化识别：

支持手写笔记、试卷、报告等手写文档的解析与识别，将手写内容转换为可编辑的结构化文本，适用于教育、办公等场景的文档数字化需求。

4、化学/数学专业文档解析：

针对化学、数学领域的专业文档，可精准识别公式与结构式，并将化学结构转换为标准 SMILES 格式，为科研数据的自动化提取与分析提供便利。

5、多语言文档批量处理：

支持多语言文档的解析与结构化输出，满足跨国企业、出版机构的国际化文档处理需求，提升多语言文档的管理与利用效率。

进入Logics-Parsing官网入口