超级管理员
楼主
腾讯发布 Youtu-Parsing-Omni，一个 5B 参数的多模态解析模型，附带权重、技术报告和 vLLM 插件。它能把页面、图表、音频、视频解析成统一 JSON schema：版面、OCR、ASR、时间戳、字幕全部在一个结构里。
官方跑分
OmniDocBench v1.6 上 96.96，OmniParsingBench 上 75.08，仅次于 Gemini-3-Pro 的 77.44。分数是自报的，许可协议是自定义的，商用前要读清楚。
统一 schema 的价值
做过文档 ingestion 的都知道痛苦在哪：PDF 走一个库，图片 OCR 走一个服务，音视频转写再走一个，最后还要写一堆对齐逻辑把时间戳和内容对上。一套 schema 吃掉所有输入类型，能砍掉大量胶水代码。
5B 的部署优势
5B 在单张消费级显卡上就能跑，配合 vLLM 插件可以直接接进现有推理服务。相比动辄几十 B 的通用多模态模型，这是面向管道的定位，不是面向对话的。
需要注意的地方
自报分数要在自己的数据上复现。文档解析的效果高度依赖文档类型——扫描件、手写体、复杂表格、竖排文本的表现可能差异很大。另外自定义许可意味着商用可能需要单独沟通。
工程建议
如果现有管线里 OCR、ASR、版面分析是三套系统，可以先用它跑一批真实样本做对比，重点看时间戳对齐的准确率和表格结构的还原度。这两项是最容易拉开差距的地方。
本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。