文档智能的挑战，从来不止于简单的文字识别。一张随手拍摄、带有弯折阴影的照片，一份混杂多语种的资料，一页文本、表格、公式交织的复杂版面，都考验着模型识别文字、还原页面结构、梳理阅读逻辑的综合实力。近日，云知声U2-OCR在多语言文档解析基准MDPBench评测中斩获亮眼成绩，以86.0分登顶文档解析专业模型榜单，全类别榜单位列第二，超越多款通用视觉语言模型，在多语种、复杂成像场景下展现强大文档解析实力。
综合领跑，多场景细分维度多点开花
作为面向文档智能的OCR大模型，U2-OCR支持文档解析、信息抽取、视觉问答和文字定位。此次评测中，其表现覆盖了不同成像方式、文字系统与评测数据集。
其中，拍照文档与非拉丁文字系统是MDPBench重点考察的挑战。U2-OCR在这两项中分别取得84.1分和83.7分，说明其优势不仅体现在清晰、规整的数字页面上，也延伸至更复杂的拍摄条件和文字系统。私有评测集上的87.5分，则提供了进一步的验证。MDPBench包含2,720张公开评测图像与680张私有评测图像；私有图像及标注不公开，由官方组织评测，以降低针对公开样本定向优化带来的偏差。在逐语种评测中，U2-OCR的领先表现同样具有广泛覆盖。在17个语种中，以下12个语种得分位列专业模型类别第一，占评测语种总数的七成以上。
从欧洲语言到东南亚语言，从中文到日语、俄语，U2-OCR在多个语种中取得领先成绩。这些结果表明，其优势并非仅集中在个别语言，而是在多语种文档解析评测中呈现出较为广泛的竞争力。
直面硬核考题，不惧真实场景复杂干扰
MDPBench覆盖17个语种、3,400张文档图像，其中75%为真实拍摄图像。模型不仅需要应对倾斜、弯折、反光与阴影等成像干扰，还要适应不同文字系统与阅读规则，准确还原文本、表格、公式及整页阅读顺序。在评测中，模型不会预先获知文档语种或成像类型，进一步考验其跨语言、跨版式与复杂拍摄条件下的解析能力。
技术底层支撑：数据筑基+分阶段训练实现端到端解析
亮眼成绩背后，是云知声在数据体系与训练框架上的深度打磨。U2-OCR搭建万级文档解析训练数据池，覆盖多元文档版式与语言场景，依托多模型交叉校验、内容一致性筛查、异常样本过滤，保障训练标签质量，持续扩充多语言、复杂表格、实拍类样本。
模型采用分阶段训练思路：先联合训练解析、抽取、问答、定位任务，夯实通用文档理解基础；再引入多语言与实拍文档专项数据，学习不同文字特征、阅读规则以及形变图像特征，强化复杂场景适配性。在推理阶段，U2-OCR实现端到端解析，直接输入图片，在统一框架内完成文字识别、版面理解，按需输出Markdown或结构化信息，保留文档原有内容组织关系。
落地业务场景，释放文档智能产业价值
榜单成绩不是终点，而是技术落地的有力佐证。U2-OCR强大的多语种、复杂成像解析能力，为跨境单据、金融票据、现场拍照材料等高度依赖人工处理的业务场景，提供自动化新方案，降低人工录入、信息整理的成本。
文档是数字世界承载信息的主要载体，复杂文档的智能化处理，也是产业数字化过程中绕不开的一环。多语种适配、实拍文档解析与版面结构还原，仍在推高文档智能的技术门槛。当各类复杂文档中的信息能够被稳定、准确地提取出来并加以理解，文档智能的价值才算真正落到行业的日常运转之中。
热门跟贴