← 全部模型

HPD-Parsing

發布時間 發布主體 Baidu

模型定位

HPD-Parsing 是約 10 億參數的輕量級視覺語言模型,專為高吞吐量文件解析設計。模型權重以 Apache 2.0 授權發布。(huggingface.co)

能力與用途

  • 解析文件頁面影像,識別文字、版面結構與閱讀順序,並處理公式及表格等內容,適合文件數位化與批次解析。(arxiv.org)
  • 使用階層式平行解碼:主版面分支協調整體結構,並動態啟動局部內容分支;漸進式多 token 預測(P-MTP)進一步減少解碼步驟。(github.com)
  • 官方模型卡報告 OmniDocBench v1.6 整體分數為 94.91%,公開基準峰值吞吐量為每秒 4,752 token;實際表現取決於硬體、文件及推論配置。(huggingface.co)
  • 可透過定製版 vLLM 進行本地推論,或自行部署 OpenAI 相容服務供多個用戶端呼叫;這不代表已核實有官方託管 API。(github.com)

限制與部署條件

官方部署教程使用基於 vLLM 0.17.1 的定製版本,需要支援 CUDA 12.8 以上的 NVIDIA 驅動及經驗證的 NVIDIA GPU。原生環境為 Linux x86-64;其他作業系統須使用可執行 Linux NVIDIA GPU 容器的 Docker 環境。預編譯套件方式支援 Python 3.10–3.13。解析結果仍可能出錯,重要文件應進行核對。(github.com)

發布日期

官方論文列表標示首次公開發布日期為 2026 年 7 月 21 日;PaddleOCR 專案另於 2026 年 7 月 22 日公告模型上線。(github.com)

價格

截至 2026 年 11 月 16 日,檢索百度智能雲中國大陸官方價格資訊及 PaddleOCR 官方英文資料,均未核實 HPD-Parsing 專屬的人民幣或美元託管 API 報價;輸入與輸出計費方式、金額及單位均未核實。百度其他 OCR 或 PaddleOCR-VL 服務的價格不應直接套用於本模型。自行部署仍需考量硬體與運算成本。(cloud.baidu.com)

官方來源