智客 ZICQ
EN 登录 / 注册
智客前沿 大模型 #LlamaIndex #OCRia-1 #ParseBench #OCR #文档解析

LlamaIndex发布2026 OCR模型榜:4B OCRia-1领跑复杂表格

Mr.Xu 的头像

文 / Mr.Xu 智客前沿编译 · 审校

发布时间:

中文阅读 (Chinese) English Version
共读互动 选中正文任意句子即可高亮划线、写下你的技术批注,或一键生成金句引用卡。 直达讨论区 ↓

摘要:LlamaIndex 发布 2026 年 OCR 模型横评,把竞争焦点从“能否识字”推进到表格、图表与版式能否被正确结构化。其 ParseBench 以约 2,000 页人工核验文档和逾 16.9 万条规则评测表格、图表、内容忠实度、语义格式与视觉定位;LlamaParse 内置的 4B OCRia-1 在表格、图表维度领先,并以三套外部基准交叉验证。横评还比较 API、开放权重、时延、部署方式和每千页价格,但榜单由 LlamaIndex 自行建设,仍需警惕厂商利益冲突、渲染配置差异及相近分数落入噪声区间。


核心结论

这轮 OCR 评测的核心变化,是模型竞争已经从“能不能读出文字”转向“能不能恢复文档结构”。普通扫描件上的文字识别已逐渐商品化,真正拉开差距的是跨行跨列表格、嵌套表头、合并单元格、无网格图表以及保留阅读顺序和语义格式。

榜单中的 LlamaParse Agentic 使用 4B 参数的 OCRia-1,在 ParseBench 公开榜快照上的总分为 82.83、表格分为 90.90;图表分为 85.1,而第二名为 66.1。文章引用的发布口径还给出 91.5 的表格成绩。由于发布数字与公开榜在维度、快照时间上并非完全一致,两者不宜直接混算。

这一结果并不意味着 OCRia-1 在所有 OCR 场景都最便宜或最快。纯文本页面可由 AWS Textract、Google Document AI 等以约每千页 1.50 美元处理;真正昂贵的部分,是复杂文档解析、人工复核和错误结构向下游传播后的修复成本。

ParseBench 评的不是识字率

ParseBench 包含约 2,000 页人工核验文档,来源覆盖保险 SERFF 申报、财务报告和政府文件,累计使用逾 169,000 条测试规则,且没有 LLM 裁判参与。评测分为五个维度:

  • 表格:单元格内容、行列关系、表头层级及合并结构;
  • 图表:坐标轴、图例、系列与数值之间的对应关系;
  • 内容忠实度:输出是否遗漏、增添或改写原文;
  • 语义格式:标题、列表、强调和阅读顺序是否得到保留;
  • 视觉定位:解析结果能否与页面中的具体区域绑定。

规则驱动评分减少了 LLM 裁判常见的风格偏好,但并不等于结果可以直接用于生产。规则集对错误类型的覆盖仍可能不完整,而且文档解析器可以通过后处理、模板修复和重排逻辑获得不同表现。榜单称所有系统使用相同渲染与测试框架;olmOCR-bench 的表格测试还统一采用 1,288 像素渲染,这提高了横向比较的可控性。

LlamaIndex 随后使用三套外部套件复核:包含 1,403 页、7,010 项通过或失败测试的 olmOCR-bench,覆盖九种语言、1,820 张人工标注表格的 PulseBench-Tab,以及包含 721 页困难法语文档的 fr-bench-pdf2md。这种交叉验证比只引用厂商发布会更有价值,但不能消除不同数据集难度和预处理方式带来的偏差。

表格与图表为什么更难

表格解析不是逐字识别后再拼成文本。一个年份跨越三个季度列、一个免赔额覆盖四行,或表头分为两级,都要求模型恢复单元格之间的拓扑关系。只要合并关系丢失,即使每个数字都识别正确,生成的结构化结果仍然无法用于计算、检索或审计。

图表更难,因为图表本质上是缺少显式网格线的关系表。解析器必须把视觉元素重新绑定为坐标轴、系列、图例和数据点,再推导数值或趋势。仅输出轴标签和图例,相当于只完成文字识别,没有完成图表语义恢复。

在这类任务中,OCRia-1 的优势具体体现在:ParseBench 长表格类别得分 81.9,高于 Chandra OCR 2 的 77.8;PulseBench-Tab 上完全复现 485 张表格,领先第二名的 431 张。但现有材料没有披露 OCRia-1 的视觉编码器、输入分辨率策略、训练数据、预训练与后训练流程、量化方案及长表格截断策略,因此不能仅凭 4B 参数规模推导其显存、吞吐或泛化能力。

工程权衡:质量、时延与每千页成本

| 方案 | ParseBench 总分 / 表格分 | 时延与成本口径 | 主要适用场景 | |---|---:|---|---| | LlamaParse Agentic(OCRia-1) | 82.83 / 90.90 | 托管 p50 约 2.2 秒;每千页约 3.75—4.50 美元或 12.50—15 美元,视层级而定 | 表格、图表、财务与保险文件 | | Reducto Agentic | 73.50 / 85.26 | 每千页约 5—20 美元 | 引用定位与人工复核工作流 | | Mistral OCR 4.1 | 58.38 / 74.03 | p50 约 1.8 秒;每千页 4 美元,批处理约 2 美元 | 快速、文本密集页面 | | Azure Document Intelligence | 56.76 / 85.97 Layout | Read 约 1.50 美元、Layout 约 10 美元/千页 | 多语言及 Azure 生态集成 | | AWS Textract | 48.31 / 84.46 | 文本约 1.50 美元、表格约 15 美元/千页 | AWS 内部文档流水线 | | Google Document AI | 48.66 / 54.95 | OCR 约 1.50 美元、Layout 约 10 美元/千页 | GCP 与多语言文档处理 | | LightOnOCR-3 / Chandra OCR 2 | 75.60 / 83.63;70.59 / 89.20 | 开放权重,计入 GPU 成本 | 有自托管与数据驻留要求的团队 |

表中的 p50 只是典型页面中位延迟,不是端到端尾延迟。不同服务的并发限制、文件大小、页数、重试策略、异步队列和后处理均未统一,不能据此直接比较服务等级。对于批量合同、扫描档案等任务,还应加入每千页有效输出率、失败重试、存储和人工复核成本。

开放权重方案也不是天然免费。4B 模型减少了参数规模,但视觉编码分辨率、并发批大小、FP16/BF16/INT8 精度、图像中间表示和版面缓存仍会决定 GPU 占用。自托管的真实门槛通常不在启动推理,而在队列调度、失败重试、模型升级和版面规则维护。

基准可信度与边界

ParseBench 和参评的 OCRia-1 均由 LlamaIndex 控制,这是该榜单最明显的利益冲突。LlamaIndex 通过公开数据、评分代码、结果 CSV、外部基准及统一测试框架降低了验证门槛,但榜单本身仍不能视为完全中立的行业裁决。

原文也提醒,相差几个点的成绩应视作并列:同一模型在不同测试集上可能产生数个百分点波动。图表维度 85.1 对 66.1 的差距更具区分度,但仍需确认目标业务是否与 ParseBench 的保险、财务和图表分布一致。OmniDocBench 因头部模型集中在 95 分以上、区分能力不足而被主动排除;ABBYY Vantage、Hyperscience 和 Tungsten TotalAgility 等按企业合同报价的平台也未进入公开榜单。

开发者落地建议

  1. 先按页面类型分流。 纯文本优先走低价 OCR;合同、财报和扫描表格再送入结构解析模型,避免所有页面支付 Agentic 档成本。
  2. 建立自己的金标集。 从生产流量抽取 200—500 页,分别标注表头层级、合并单元格、图表数值、阅读顺序和关键字段,并以业务可接受的结构错误率而非单一平均分选型。
  3. 计算有效解析成本。 将基础 OCR、版面分析、重试、后处理、人工复核和下游返工全部折算到每千个正确页面。
  4. 同时监测 p50 与 p95。 补充超时率、队列等待、批处理吞吐和失败页比例,并确认厂商时延数据是否使用相同硬件与渲染路径。
  5. 按合规边界选择部署。 对敏感合同,可评估 LlamaParse 的 BYOC、VPC 或本地部署,或选择 LightOnOCR-3、Chandra OCR 2 等开放权重方案;自托管前应实测 GPU 显存、并发和运维复杂度。
  6. 保留可验证输出。 优先要求返回单元格边界框、表头路径、图表来源区域和原文引用,以便对高风险数字执行抽样复核,而不是把模型输出直接写入数据库。

消息来源:LlamaIndex Blog (2026-11-18)

—— 完 ——

主题标签: #LlamaIndex #OCRia-1 #ParseBench #OCR #文档解析

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。

读完这篇,你的第一判断是?
🚀 去【作品】晒出你的相关实践

社区整体评论区

正在加载实时智能评论与划词标注…