腾讯POINTS-Reader：中英双语文档转文本新突破-平芜编程栈

腾讯POINTS-Reader：中英双语文档转文本新突破

【免费下载链接】POINTS-Reader腾讯混元POINTS-Reader：端到端文档转换视觉语言模型，结构精简无需后处理。支持中英双语提取，OmniDocBench英文0.133、中文0.212高分。采用600M NaViT实现高吞吐量，已支持SGLang部署，vLLM支持即将推出。EMNLP 2025主会收录，开源两阶段数据增强策略，轻松实现文档图片转文本项目地址: https://ai.gitcode.com/tencent_hunyuan/POINTS-Reader

腾讯混元实验室近日发布全新视觉语言模型POINTS-Reader，实现端到端文档转换技术突破，无需复杂后处理即可直接输出结构化文本，为中英文文档信息提取提供高效解决方案。

行业现状：文档理解技术迎来范式转变

随着数字化转型加速，企业和个人对文档信息提取的需求呈爆发式增长。传统OCR技术在处理复杂格式文档时面临诸多挑战，尤其是包含表格、公式和多语言混合的场景。据OmniDocBench基准测试显示，现有解决方案普遍存在处理流程复杂、多语言支持不足、推理速度慢等问题。

近年来，基于大型语言模型（LLM）的视觉语言模型（VLM）逐渐成为文档理解的新方向。这类模型通过统一架构直接处理文档图像，避免了传统 pipeline 中多模块串联导致的错误累积。然而，现有模型要么依赖复杂的蒸馏过程，要么在中文等非英文场景下表现不佳，难以满足实际应用需求。

POINTS-Reader核心亮点解析

1. 极简架构设计，端到端输出无需后处理

POINTS-Reader采用高度精简的模型结构，基于POINTS1.5架构优化而来，将Qwen2.5-7B-Instruct替换为更轻量的3B版本。模型输入仅需固定提示词和文档图像，输出直接为可使用的文本字符串，彻底消除了传统方案中格式校正、内容对齐等后处理环节，大幅简化了应用流程。

2. 中英双语卓越性能，多项指标领先

在权威文档理解基准OmniDocBench上，POINTS-Reader展现出优异性能：英文综合编辑距离（Edit）达到0.133，中文为0.212，尤其在表格提取任务中表现突出，英文表格TEDS指标达83.7，中文更是达到85.0，超越多数现有专业OCR工具和通用视觉语言模型。这一成绩得益于模型对中英双语数据的深度优化，特别是针对中文排版特点的专项调优。

3. 高效推理引擎，兼顾性能与速度

模型采用600M参数的NaViT视觉编码器，在保证识别精度的同时显著提升吞吐量。目前已支持SGLang部署，vLLM支持即将推出，通过主流推理框架优化，实现了高性能与高效率的平衡，解决了大模型在实际应用中的部署难题。

4. 创新数据增强策略，开源技术方案

POINTS-Reader提出两阶段数据增强策略：第一阶段利用自动化数据赋予模型基础文档提取能力，第二阶段通过持续自进化提升模型生成数据质量。这种方法具有高度可扩展性，已被EMNLP 2025主会收录，相关技术细节完全开源，为行业提供了可复用的文档理解模型训练方案。

行业影响：重构文档处理工作流

POINTS-Reader的推出将对多个行业产生深远影响。在金融领域，可快速准确提取报表数据，降低人工录入错误；在教育行业，能高效处理中英文教案和试卷，辅助智能学习系统构建；在法律和医疗行业，可实现合同、病例等专业文档的结构化转换，提升信息检索效率。

尤为值得注意的是，模型对中文场景的深度优化填补了市场空白。与国际同类产品相比，POINTS-Reader在处理竖排文字、复杂表格和专业术语方面表现更优，为中文信息处理提供了技术优势。随着SGLang和vLLM部署支持的完善，模型有望在企业级应用中快速落地，推动文档处理自动化进程。

结论与前瞻

POINTS-Reader通过架构创新和数据策略优化，在文档理解领域实现了"简单架构、卓越性能、高效部署"的三位一体突破。其端到端的处理方式简化了应用流程，中英双语支持拓展了使用场景，而开源策略则促进了技术生态发展。

未来，随着多语言支持的完善和复杂场景处理能力的提升，POINTS-Reader有望成为文档智能处理的基础设施。同时，其两阶段数据增强方法为其他视觉语言模型的优化提供了新思路，推动整个领域向更高效、更实用的方向发展。对于企业用户而言，这款模型的出现意味着更低成本、更高质量的文档处理解决方案，将加速数字化转型进程。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考