腾讯开源POINTS-Reader：革新多语言文档OCR技术，600M参数模型实现高效文本提取

腾讯开源POINTS-Reader：革新多语言文档OCR技术，600M参数模型实现高效文本提取

【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

在人工智能与文档处理技术深度融合的当下，光学字符识别（OCR）作为信息提取的关键环节，正朝着更智能、更高效的方向加速演进。近日，科技巨头腾讯正式对外发布了全新的OCR模型——POINTS-Reader，这一突破性成果不仅简化了文档信息提取流程，更在多语言支持、识别精度与处理效率上实现了显著提升，为行业带来了新的技术标杆。

POINTS-Reader在设计理念上展现出独特的创新性，其核心优势在于极致简化的处理流程。与传统OCR模型需要复杂的预处理步骤或多轮交互不同，该模型仅需输入文档图像和固定提示词，即可直接输出精准提取的文本内容。这种“输入即所得”的模式，极大降低了技术应用门槛，无论是企业级的大规模文档处理系统，还是个人用户的日常办公需求，都能通过简单操作实现高效的文本识别。尤其值得关注的是，POINTS-Reader同时支持中英文两种主流语言的文档识别，在权威的OmniDocBench评测基准上，英文识别任务取得了0.133的优异成绩，中文识别任务更是达到0.212的高分，这一数据充分验证了其在多语言场景下的强大处理能力，为跨境业务、多语言文档管理等场景提供了坚实的技术支撑。

在模型架构与性能优化方面，POINTS-Reader展现出深厚的技术积淀。该模型基于视觉Transformer（ViT）架构构建，配备600M参数规模，在保证识别精度的同时，着重优化了高吞吐量处理能力。这意味着POINTS-Reader能够在单位时间内处理更多的文档图像，有效提升大规模数据处理场景下的效率。为了进一步释放模型性能，腾讯技术团队还针对当前主流的高效推理框架进行了深度适配，包括SGLang和vLLM等，通过框架级别的优化，显著降低了模型部署的资源消耗，缩短了推理响应时间。这种软硬件协同优化的策略，使得POINTS-Reader在实际应用中能够灵活部署于不同算力环境，满足从边缘设备到云端服务器的多样化需求。

数据质量是影响模型性能的关键因素之一，POINTS-Reader在数据处理环节采用了创新的两阶段数据增强策略，系统性提升了文档提取能力。第一阶段通过多样化的数据变换技术，如随机旋转、缩放、噪声注入等，扩充训练数据的多样性，增强模型对不同文档质量、拍摄角度、光照条件的鲁棒性；第二阶段则引入了自进化机制，通过模型对自身输出结果的迭代学习与优化，不断提升训练数据的质量和标注精度。这种数据增强与自我进化相结合的方法，使得POINTS-Reader在面对复杂背景、模糊字符、特殊字体等挑战性场景时，依然能够保持稳定的识别效果，有效解决了传统OCR模型在实际应用中常见的“鲁棒性不足”问题。

秉持开源共享的技术理念，腾讯已将POINTS-Reader模型完全开源，开发者可通过Gitcode平台获取完整的代码仓库（仓库地址：https://gitcode.com/tencent_hunyuan/POINTS-Reader），并基于SGLang框架快速实现本地化部署。为了让用户更直观地体验模型性能，腾讯还在Hugging Face Spaces平台上线了实时交互演示Demo，开发者和用户可以上传自定义文档图像，实时查看文本提取效果，这种开放的姿态不仅有助于技术的快速推广，更能汇聚全球开发者的智慧，推动OCR技术的持续创新与迭代。

POINTS-Reader的推出，无疑为文档智能处理领域注入了新的活力。其在多语言支持、处理效率、部署灵活性等方面的突破，不仅解决了当前OCR技术应用中的诸多痛点，更为后续相关技术的发展提供了重要参考。随着数字化转型的深入推进，金融、医疗、法律、教育等行业对文档信息提取的需求将持续增长，POINTS-Reader的开源特性与高性能表现，有望成为推动各行业智能化升级的重要工具。未来，随着模型的不断优化与生态的逐步完善，我们有理由相信，POINTS-Reader将在更多场景中发挥价值，助力构建更高效、更智能的文档处理生态系统，为数字经济的发展贡献技术力量。

【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