腾讯POINTS-Reader：端到端文档转文本新方案
【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
腾讯混元实验室正式发布POINTS-Reader视觉语言模型，这是一款专注于文档转换的端到端解决方案，通过精简结构设计和创新数据增强策略，实现了文档图片到文本的直接转换，无需复杂后处理流程。
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日益增长。传统文档处理通常依赖多步骤流水线（如OCR识别→布局分析→内容提取），不仅流程复杂，还存在误差累积问题。近年来，视觉语言模型（VLM）的兴起为端到端文档理解提供了新思路，但现有方案普遍面临模型体积庞大、推理速度慢或多语言支持不足等挑战。据OmniDocBench benchmark数据显示，主流多阶段工具在复杂文档处理中平均错误率超过25%，尤其在表格和公式提取场景表现不佳。
产品亮点：精简架构与卓越性能的平衡
POINTS-Reader在技术设计上实现了多项突破：
1. 极简端到端架构
模型采用600M参数的NaViT视觉编码器与Qwen2.5-3B-Instruct语言模型组合，摒弃传统流水线的多模块设计。输入仅需固定提示词和文档图片，输出直接为结构化文本，省去繁琐的后处理步骤。这种设计不仅降低了系统复杂度，还减少了中间环节的信息损失。
2. 中英双语卓越表现
在OmniDocBench评测中，POINTS-Reader英文任务取得0.133的总体错误率（Edit↓），中文任务达到0.212，尤其在表格提取场景表现突出，中文表格TEDS评分（结构相似度）达85.0，超越PaddleOCR PP-StructureV3（83.9）和Gemini2.5-Pro（86.4）等主流方案。
3. 高效推理与部署支持
通过优化视觉编码器规模和支持SGLang推理框架，模型实现了高吞吐量处理。相比同等性能的多阶段工具，POINTS-Reader在单GPU环境下可提升30%以上的处理效率。官方表示即将推出vLLM支持，进一步优化大规模部署能力。
4. 创新数据增强策略
开源的两阶段数据增强方法成为技术亮点：第一阶段利用自动化数据构建基础提取能力，第二阶段通过模型自进化持续提升数据质量。这种方法可迁移至其他视觉语言任务，为模型优化提供新范式。
行业影响：重塑文档智能处理生态
POINTS-Reader的推出将推动文档理解技术向更实用化方向发展：
企业级应用降本增效
金融、法律等行业的合同解析、报表处理场景，可通过该模型实现自动化信息提取，预计能减少60%以上的人工审核工作量。其端到端特性降低了集成门槛，中小企业也能轻松部署文档处理系统。
多模态交互体验升级
在教育、科研领域，模型对公式和学术图表的精准识别，将促进智能学习助手、文献分析工具的功能升级。中英双语支持使其在跨境业务处理中具备独特优势。
开源生态协同创新
作为EMNLP 2025主会收录成果，POINTS-Reader开源了完整技术方案，包括数据增强策略和部署代码。这将加速学术界对小参数视觉语言模型的研究，推动更多垂直领域专用模型的诞生。
结论与前瞻：轻量化模型的实用化之路
POINTS-Reader通过"小而美"的设计理念，证明了轻量级视觉语言模型在专业领域的应用潜力。其核心价值不仅在于性能指标的提升，更在于提供了一套可复用的文档理解解决方案。随着vLLM支持的上线和多语言能力的扩展，该模型有望在智能文档处理、内容管理系统等场景快速落地。未来，随着自进化数据策略的进一步优化，我们或将看到更多垂直领域的专用视觉语言模型涌现，推动AI技术在企业数字化转型中的深度应用。
【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
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
