LlamaIndex发布OCRia-1.5:2B与4B双档提升复杂文档解析
摘要:LlamaIndex 在 LlamaParse 上线 OCRia-1.5:4B 升级版服务 Agentic,新增 2B 服务 Cost Effective,重点改进复杂表格、图表、表单与边界框定位。官方 ParseBench-2 中,Agentic 表格分由 86.5 升至 90.1,Cost Effective 图表分由 67.3 升至 73.0,视觉定位分由 77.0 升至 88.5。此次为托管服务更新,架构、权重开放状态、端到端时延与独立复现仍未披露。
LlamaIndex 已将 OCRia-1.5 上线 LlamaParse。此次更新用同一代模型覆盖两条服务路径:4B 升级版进入 Agentic 档位,新增 2B 进入 Cost Effective 档位,重点处理复杂表格、图表、表单和边界框定位。
发布内容:双档模型覆盖不同精度与吞吐需求
- OCRia-1.5-4B:升级版旗舰模型,服务于 Agentic 档位,面向复杂表格、图表及更高精度要求。
- OCRia-1.5-2B:参数量约为上一代 4B OCRia-1 的一半,服务 Cost Effective 档位,面向高吞吐批量解析。
- 两款模型均已上线 LlamaParse。当前公告没有给出开放权重、模型许可证或自托管入口,因此这是托管产品发布,而非开源模型发布。
这里的 Agentic 更像 LlamaParse 的服务档位名称。公告没有证明 4B 模型本身采用自主规划、多工具调用或循环推理架构,Agentic 档位也可能包含额外的编排层。评估时应区分模型能力与整条服务管线能力。
技术机制:从识别字符转向恢复结构关系
复杂文档解析的关键不只是识别每个字符,而是把字符放回正确的结构层级。财务报表中的“三个月截至”可能横跨多个列标题;如果视觉布局被压平,下面的数字即使全部识别正确,其对应周期也可能已经丢失。
OCRia-1.5 的改进主要体现在三类输出。第一是表格结构,需要同时识别单元格、跨行或跨列标题及其从属关系;第二是图表语义,需要将坐标轴、图例、数据系列与标签对应起来;第三是表单状态,除了字段值,还要保留复选框的选中状态。官方称升级对跨列表格收益尤其明显,但没有公布该子集的样本量与分数。
第四类是视觉定位。边界框把抽取结果绑定回原始页面区域,使 RAG 或智能体回答能够高亮对应证据,而不是只给出一个脱离来源的字段值。定位框覆盖整个表格、为每个表单字段单独建框,可减少相邻文本串位和证据缺失。不过,公告没有披露视觉编码器、分辨率、Token 预算、训练损失、合成数据或蒸馏流程,因此无法判断提升究竟来自更大模型、更高输入分辨率、新的版面建模目标,还是服务编排调整。
工程权衡:2B 的成本优势不等于两倍吞吐
如果两个变体共享相同架构并采用相同数值精度,2B 模型的纯权重存储约为 4B 的一半,但这不意味着端到端解析速度会提高两倍。页面渲染、图像编码、视觉 Token 化、OCR 解码、结构后处理和网络传输都可能占据显著比例,参数减少能压缩的只是一部分延迟。公告也没有给出 p50、p95 时延、并发吞吐或显存数据。
4B 版本在复杂表格和图表上更强,但聚合分数不能证明它在每类文档上都更好。更合理的生产策略是按复杂度路由:普通页面走 2B,发现跨列表格、密集图表或异常表单时升级至 4B,而不是让所有页面承担旗舰档位成本。
价格方面,Cost Effective 档为每页 3 credits,4B 模型所在 Agentic 档为每页 10 credits。原始导读另称 Agentic Plus 为每页 25 credits,但正文没有清楚说明它与两个模型档位的映射,实际采购应以控制台账单为准。
更合理的成本指标是:
单页总成本 = 基础解析 credits + 重试或 Agentic 附加 credits + 其他 OCR 与后处理成本
进一步还应比较每个成功结构化字段或每条可验证证据对应的成本,而不是只看每页价格。
官方实测表现:ParseBench-2 分数变化
| 指标 | 服务档位 | 更新前 | 更新后 | 变化 | |---|---:|---:|---:|---:| | 表格 | Agentic | 86.5 | 90.1 | +3.6 | | 表格 | Cost Effective | 83.2 | 87.5 | +4.3 | | 图表 | Agentic | 74.9 | 76.8 | +1.9 | | 图表 | Cost Effective | 67.3 | 73.0 | +5.7 | | 视觉定位 | Cost Effective | 77.0 | 88.5 | +11.5 | | 视觉定位 | Agentic | 未披露 | 未披露 | +4.1 | | 表单 | Agentic | 未披露 | 未披露 | +2.6 | | 表单 | Cost Effective | 未披露 | 未披露 | +4.2 |
Cost Effective 档在图表和视觉定位上的增幅尤其明显,其中视觉定位提升 11.5 分,说明较小模型未必只能以准确率换取成本。LlamaIndex 还称 Cost Effective 在 ParseBench-2 全部六个维度上都优于此前版本,但未提供六个维度的完整绝对分表。
Benchmark 可信度:厂商结论仍需独立拆解
ParseBench-2 由 LlamaIndex 自行建设,官方关于表格、图表和格式达到领先水平的结论应视为厂商自测结果。当前公告没有披露样本规模、数据切分、评分公式、置信区间、运行次数、配置差异及对比模型的版本锁定情况。
测试对象是 LlamaParse 档位而不是孤立模型,因此分数变化同时包含模型、提示、预处理、后处理和服务编排的贡献。视觉定位分数也不能自动等同于像素级 IoU:公告没有说明它采用何种阈值、如何处理空框和跨区域框,以及是否对不同页面尺寸做了归一化。
所谓领先至少需要第三方在相同页面渲染、OCR 后处理、并发与成本条件下复现。对企业文档而言,还应按扫描质量、语言、表格复杂度、合并单元格和表单类型分层报告,避免平均分掩盖长尾失败。
开发者落地:按文档复杂度建立分层路由
- 建立分层测试集:分别收集财务报表、合并单元格、多图表页面、票据、手写批注、扫描件和多语言文档,不要用随机办公文档代替生产分布。
- 拆分质量指标:分别验收表头与单元格的从属关系、图表系列标签、表单字段及复选框状态、边界框覆盖率和定位偏移,避免一个平均分掩盖结构错误。
- 测量真实服务成本:记录每页 credits、重试率、附加 Agentic 费用、p50 与 p95 时延、并发吞吐及失败回退成本。
- 实施双档路由:2B 作为高吞吐默认档,4B 负责复杂表格和图表;若页面结构置信度不足,再升级或回退人工复核,避免把低质量结果直接写入知识库。
- 验证下游引用:对 RAG 和智能体系统,应检查答案引用是否真正落到正确字段或表格区域。边界框更准并不等于生成式回答不会误读解析结果。
- 审查数据边界:云端解析涉及原文上传,应确认区域存储、日志保留、零保留选项、子处理商和 DPA条款。当前未提供开放权重或本地部署说明,有强制本地化要求的系统不能仅凭此次更新完成部署闭环。
OCRia-1.5 的真正工程价值在于用 2B 与 4B 两条路径覆盖高吞吐和复杂文档两类需求,并以边界框把结构化结果重新绑定到页面证据;其局限则是架构透明度、延迟数据和独立评测仍然不足。
—— 完 ——消息来源:LlamaIndex Blog (2026-11-18)
主题标签: #OCRia-1.5 #LlamaParse #文档解析 #视觉定位 #ParseBench-2
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区