当前位置：首页 > news >正文

FireRed-OCR多模态文档解析新突破：2B模型实现长尾版式精准解析！

news 2026/3/27 2:32:51

小红书开源了基于qwen3-vl-2B微调的FireRed-OCR模型，采用“几何+语义”数据工厂和三阶段训练方法，针对长尾版式文档解析问题。阶段1使用多任务预对齐粗标注数据，阶段2用精标注数据提升精度和结构一致性，阶段3通过RL强制约束优化输出格式。实验结果显示，FireRed-OCR在复杂文档解析上表现优异，为文档智能领域提供了新的解决方案。

继续跟进【[文档智能]】解析进展，小红书今天又开源了一个多模态文档解析模型：基于qwen3-vl-2B参数微调训练的参数量的FireRed-OCR，与paddleocr-vl等不同的是Layout阶段采用的也是2b的模型（整体方式与mineru2.5相似）。下面来看看整体的方法。

方法

数据方法："几何 + 语义"数据工厂：用几何特征聚类和多维度标注，合成均衡的训练数据集，专门针对长尾版式（比如奇特的多栏、嵌套表格）做数据增强，解决了真实世界文档分布不均衡的问题。

训练分三个阶段：阶段 1（预对齐）用粗标注数据（低成本、大规模）打基础，阶段 2（SFT）用精标注数据（高成本、中规模）提高精度，阶段 3（GRPO）用约束校验数据（无标注、轻量化）增强处理逻辑，如下：

训练方法

阶段1：多任务预对齐

包含三个互补子任务,采用异质数据集，联合训练：

检测与OCR（）：输入文档图像，模型需同时输出文本的边界框坐标（）和对应识别文本（）。
区域OCR（）：输入图像局部裁剪区域或坐标提示（如“识别图像左上角100×100像素区域的文本”），模型输出该区域内的文本内容。该任务提升模型对局部高分辨率文本的敏感程度，解决密集文本区域的识别模糊问题。
全页Markdown转换（初始版）：简单的布局直接生成Markdown格式。

交叉熵损失函数：

这一阶段识别文本内容和位置，初步理解简单布局，但结构输出缺乏一致性和规范性（如表格列数混乱、标题层级错乱）。

阶段2：SFT

基于 curated 高质量数据集（400k 文档-Markdown 对齐对）训练：

结构一致性：确保长文本生成中逻辑连贯，例如长文档的章节层级不中断、多页表格的列数保持一致，避免“碎片化输出”。
层级表达稳定性：严格区分语义层级，例如 Markdown 中“# 一级标题”“## 二级标题”的嵌套关系、有序列表与无序列表的区分，还原原始文档的视觉层级。
Markdown 格式标准化：统一格式表达规范，例如公式用 LaTeX、表格用标准 Markdown、加粗/斜体的符号使用一致。
跨语言与复杂布局：主要考虑训练数据的多样性（多语言文本等）、复杂几何布局（多列学术论文、图文混合文档、扭曲扫描件）。

其他细节：阶段1使用较粗标注（PaddleOCR-VL v1）训练通用能力，阶段2切换为精细标注（PaddleOCR-VL v1.5）优化细节。

阶段3：GRPO格式约束优化

通过RL强制约束输出结构语法，解决如未闭合的标签、无法编译的公式。

组生成模块：对每个输入（图像-指令对），模型通过采样生成 G 个输出（），形成候选输出组。
复合奖励函数设计（）：通过四部分加权奖励引导模型生成“结构合规+内容准确”的结果，权重经实验优化确定：

公式语法奖励（）：用轻量级 LaTeX 解析器验证公式合法性，无法编译或含非法符号则得 -1 分，合法公式按复杂度给予正分。
层级闭合奖励（）：检查 Markdown/HTML 类标签的闭合情况（如 ** 加粗符号、table 表格标签），未闭合节点数量与惩罚正相关。
表格完整性奖励（）：验证表格列数是否全局一致，结构为矩形且无缺失行/列得 1 分，否则得 0 分（表格是 OCR 中最易出错的结构）。
文本准确性奖励（）：计算生成文本与 SFT 阶段伪真值的归一化负编辑距离（Levenshtein Distance）。

实验结果

方法

阶段1：多任务预对齐

阶段2：SFT

阶段3：GRPO格式约束优化

实验结果

相关文章：