大家好，我是Ai學(xué)習(xí)的老章

OCR 我寫過太多了，每隔一段時(shí)間就有新模型出來：

今天這位選手是阿里巴巴團(tuán)隊(duì)開源的Logics-Parsing-v2，在兩個(gè)主流 Benchmark 上直接拿了第一：自家的 LogicsDocBench 拿了82.16 分，公開的 OmniDocBench-v1.5 拿了93.23 分，都是目前最高分。

https://www.modelscope.cn/studios/Alibaba-DT/Logics-Parsing/summary?spm=label.24dbbd5e.0.0.34862eb7aIqtVk 這模型有啥不一樣？

市面上 OCR 模型一大把，Logics-Parsing-v2 憑啥能打？核心就兩個(gè)字：全能。

傳統(tǒng) OCR 做的事情比較窄——識別文字、提取表格、處理公式。但實(shí)際文檔遠(yuǎn)比這復(fù)雜：報(bào)紙那種多欄排版、跨頁表格、豎排文字、手寫內(nèi)容……這些"臟活累活"，大部分模型處理得都不太行。

Logics-Parsing-v2 在 v1 的基礎(chǔ)上，除了把這些傳統(tǒng)任務(wù)做得更好之外，還加了一個(gè)全新的能力維度，叫Parsing-2.0——支持解析以下內(nèi)容：

• 流程圖 / 思維導(dǎo)圖→ 輸出 Mermaid 格式

• 樂譜→ 輸出 ABC 記譜法

• 代碼塊 / 偽代碼→ 結(jié)構(gòu)化提取

• 化學(xué)分子式→ SMILES 格式

你沒看錯(cuò)，它能看懂樂譜。這在 OCR 領(lǐng)域算是相當(dāng)炸裂的能力了。

Logics-Parsing-v2 能力概覽——從傳統(tǒng)文檔到流程圖、樂譜、代碼全覆蓋 Benchmark 成績單

先看自家的LogicsDocBench，這是阿里專門建的評測集，900 頁 PDF，覆蓋三大場景：

場景

頁數(shù)

包含內(nèi)容

STEM 文檔

218 頁

物理、數(shù)學(xué)、工程等十多個(gè)學(xué)科

復(fù)雜排版

459 頁

多欄、跨頁表格、豎排、圖文混排

Parsing-2.0

223 頁

化學(xué)式、樂譜、代碼塊、流程圖

在這個(gè) Benchmark 上，Logics-Parsing-v2 以82.16 分的總分排名第一，遠(yuǎn)超其他選手。

LogicsDocBench 評測結(jié)果——Logics-Parsing-v2 全面領(lǐng)先

再看公開的OmniDocBench-v1.5，這個(gè)是業(yè)界公認(rèn)的文檔解析評測標(biāo)準(zhǔn)。Logics-Parsing-v2 拿了93.23 分，同樣是最高分——比 Gemini 2.5 Pro、GPT-5、豆包 1.6 這些閉源大模型都高。

OmniDocBench-v1.5 評測結(jié)果——開源模型首次登頂

說實(shí)話，開源 OCR 模型在 OmniDocBench 上打贏閉源大模型，這還是頭一次。之前我測過不少 OCR 模型，閉源的 Mathpix、doc2x 一直是天花板，現(xiàn)在這個(gè)天花板被捅穿了。

跟其他模型比怎么樣？

在阿里自建的 Benchmark 上（v1 評測，數(shù)值越低越好，TEDS 越高越好）：

幾個(gè)值得關(guān)注的對比：

• vs Gemini 2.5 Pro：Logics-Parsing 在英文文本（0.089 vs 0.115）、表格（0.165 vs 0.154 接近）上都有競爭力

• vs Mathpix：公式識別 Mathpix 還是很強(qiáng)（0.06 vs 0.106），但綜合能力 Logics-Parsing 更好

• vs MonkeyOCR / GOT-OCR：全面領(lǐng)先，不在一個(gè)檔次

• vs 通用大模型（GPT-5、Qwen2.5VL-72B）：專用模型優(yōu)勢明顯

一個(gè)模型，端到端推理，不需要復(fù)雜的 pipeline，直接圖片進(jìn)、HTML 出。這個(gè)思路比傳統(tǒng)的"檢測+識別+后處理"流水線簡潔太多了。

輸出格式很講究

Logics-Parsing-v2 輸出的不是純文本，而是結(jié)構(gòu)化 HTML。

每個(gè)內(nèi)容塊都帶有：

• 類別標(biāo)簽：段落、表格、圖片、公式等

• 邊界框坐標(biāo)：精確到像素級的位置信息

• OCR 文本：識別出的內(nèi)容

對于 Parsing-2.0 的新場景，輸出格式也做了定制：

• 流程圖 →Mermaid語法（可以直接渲染）

• 樂譜 →ABC 記譜法（音樂人看得懂）

• 化學(xué)式 →SMILES格式（化學(xué)標(biāo)準(zhǔn)表示）

這意味著你拿到輸出之后，不需要再做什么后處理，直接就能用。

怎么跑？

部署很簡單：

conda create -n logics-parsing-v2 python=3.10
conda activate logics-parsing-v2
pip install -r requirements.txt

下載模型（HuggingFace 或 ModelScope 二選一）：

# HuggingFace
pip install huggingface_hub
python download_model_v2.py -t huggingface


 # ModelScope（國內(nèi)更快）
pip install modelscope
python download_model_v2.py -t modelscope

推理一行搞定：

python3 inference_v2.py --image_path 你的圖片路徑 --output_path 輸出目錄 --model_path 模型路徑

基于 Qwen3-VL 架構(gòu)，對 GPU 有一定要求，但不算離譜。

實(shí)際效果展示

說了這么多數(shù)據(jù)，看幾個(gè)實(shí)際效果：

扭曲文檔識別——拍照角度歪斜、紙張彎曲，照樣準(zhǔn)確識別：

扭曲文檔識別效果

STEM 文檔——復(fù)雜的數(shù)學(xué)公式、物理圖表，結(jié)構(gòu)完整保留：

STEM 文檔解析效果

代碼塊識別——不只是識別文字，還能保留代碼結(jié)構(gòu)：

代碼塊識別效果

流程圖解析——識別流程圖并轉(zhuǎn)成 Mermaid 代碼，可以直接渲染：

流程圖解析效果

樂譜識別——這個(gè)真的是第一次在 OCR 模型里見到：

樂譜識別效果 總結(jié)

Logics-Parsing-v2 給我的感覺就是：OCR 這個(gè)賽道，終于有一個(gè)模型把"全能"兩個(gè)字做到位了。

• 雙 Benchmark 第一：LogicsDocBench 82.16，OmniDocBench-v1.5 93.23

• Parsing-2.0：流程圖、樂譜、代碼、化學(xué)式，傳統(tǒng) OCR 碰都不碰的東西它全能解

• 端到端單模型：不需要復(fù)雜 pipeline，圖片進(jìn) HTML 出

• 開源免費(fèi)：代碼和模型全部開放

如果你在做文檔數(shù)字化、論文解析、知識庫構(gòu)建這類工作，這個(gè)模型真的值得試試。

• GitHub：https://github.com/alibaba/Logics-Parsing

• HuggingFace 模型：https://huggingface.co/Logics-MLLM/Logics-Parsing-v2

• 在線 Demo：https://www.modelscope.cn/studios/Alibaba-DT/Logics-Parsing/summary

制作不易，如果這篇文章覺得對你有用，可否點(diǎn)個(gè)關(guān)注。給我個(gè)三連擊：點(diǎn)贊、轉(zhuǎn)發(fā)和在看。若可以再給我加個(gè)，謝謝你看我的文章，我們下篇再見！