多模态文档解析模型进展：UNIREC-0.1B架构、数据情况、实际测试

UNIREC是一个0.1B参数量的模型，整体pipline遵循layout（直接拿的paddleocr的layout模型）+ VLM OCR（UNIREC-0.1B）。从这个模型可以看一个趋势，VLM-OCR正在朝参数小进化。下面来看简单看下模型架构、数据情况、实际测试，性能实际测下来一般，仅供参考。

文档解析的开源项目模型技术方案都在《文档智能专栏》，如：

• 再看两阶段多模态文档解析大模型-PaddleOCR-VL架构、数据、训练方法
• 如何打造一个文档解析的多模态大模型？MinerU2.5架构、数据、训练方法
• 端到端的多模态文档解析模型-DeepSeek-OCR架构、数据、训练方法…

模型架构

• 视觉编码器：FocalSVTR
• 连接器：线性层
• 语言模型：M2M100

特别的：最大宽度和高度分别限制在 960 和1408 像素。

数据

与paddleocr-vl、mineru等一样，训练UNIREC-0.1B时构造相关block（文本、公式、表格等）数据-UniRec40M（数据未开源）。

实验性能

实际测试case

测试链接：https://modelscope.cn/studios/topdktu/OpenDoc-0.1B-Demo 笔者随便截取了tech report中的几页，效果如下（由于版式分析模型是使用的paddleocr的layout模型，测试主要关注下block的ocr format能力，测了两张不是特别好，就未压测）：

识别如下：