Baidu：Qianfan-OCR端到端文档智能统一模型

这份名为 Qianfan-OCR 的技术报告介绍了一种由百度团队开发的 4B 参数端到端文档智能模型。该模型打破了传统多阶段 OCR 流水的局限，将文档解析、布局分析和语义理解整合进统一的 视觉语言架构 中。通过创新的 “布局即思考”（Layout-as-Thought） 机制，模型能在输出结果前自主生成结构化布局表示，从而在处理复杂排版时显著提升精准度。在 OmniDocBench 等权威基准测试中，其性能超越了 Gemini 和 Qwen 等多款大型模型，位居端到端模型榜首。该系统不仅支持高精度的 Markdown 转换，还在图表问答和关键信息提取等任务中展现出卓越的理解力。得益于高效的 GPU 原生计算设计，它在保证强大功能的同时，也具备了能够满足工业级生产需求的推理吞吐量。