阿里开源STEM 内容解析模型

主要观点总结

Logics-Parsing是一个强大的端到端文档解析模型，基于视觉语言模型构建，通过监督微调和强化学习进行训练。该模型能够准确分析和结构化高度复杂的文档，并具备多种高级功能。

关键观点总结

关键观点1: 强大的端到端处理能力

Logics-Parsing的单模型架构能够消除对复杂多阶段流程的需求，部署和推理过程简单直接，从文档图像中直接生成结构化输出。

关键观点2: 高级内容识别

Logics-Parsing能够准确识别和结构化困难内容，包括复杂的科学公式和化学结构，并将化学结构智能识别为标准的SMILES格式。

关键观点3: 丰富的结构化HTML输出

模型生成文档的清晰HTML表示，保留逻辑结构，每个内容块（如段落、表格、图表、公式）都标有类别、边界框坐标和OCR文本。同时，能够自动识别并过滤掉不相关的元素，如页眉和页脚。

关键观点4: 先进的性能和快速开始指南

Logics-Parsing在内部基准测试中取得了最佳性能，该基准测试专门用于评估模型在复杂版式文档和STEM内容上的解析能力。提供了详细的快速开始指南，包括安装环境、下载模型权重和进行推理的步骤。