论文页面 - PaDoc：面向文档解析的布局引导并行解码

来源：https://huggingface.co/papers/2608.06146 发布于 8月6日

·

提交自 https://huggingface.co/Longin-Yu

Hao Yu (https://huggingface.co/Longin-Yu) 于 8月7日

作者：

,

,

,

,

,

,

,

,

,

摘要

端到端文档解析器提供了统一接口，但会将页面布局和区域内容串行化为一个自回归序列。这种定义将独立区域强制放在一条解码路径上，其长度随总内容增长；而基于裁剪的两阶段解析器虽然实现了区域级并行，但代价是重复的视觉预填充和破碎的页面上下文。为了在去除依赖的同时保留整页上下文，我们提出了 PaDoc，一种基于布局的解析器，它将预测的布局视为共享页面表示上的分支结构。在区域充分性假设下，我们推导出一种前缀条件分解，使布局流和区域内容分支能够并发推进，从而将解码深度缩减到最长的布局-内容路径。我们在单个 MLLM 内实现了这种分解：打包的可变长度祖先注意力在标准 next-token 训练下保持可见性，而掩码并行解码创建分支，所评估的 vLLM 后端将其作为并发请求处理，并复用缓存驻留的共享前缀。在 OmniDocBenchFull 上，PaDoc 取得了 91.1 的 Overall layout F1 ；在端到端解析器中，以 94.24 的顶级 Overall 分数，以及最佳的 TextEdit（0.038）和 FormulaCDM（95.59）表现突出。在包含 384 页的子集和单张 A800 GPU 上，它在五个并发级别下都是最快的端到端解析器，与同骨干网络顺序 SFT 基线相比，有效页面吞吐量提升了 67.4%-118%，P95 延迟降低了 39.2%-54.9%。代码可在 https://github.com/Longin-Yu/Padoc 获取。

查看 arXiv 页面 (https://arxiv.org/abs/2608.06146) 查看 PDF (https://arxiv.org/pdf/2608.06146) GitHub2 (https://github.com/Longin-Yu/Padoc) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.06146)

在您的 agent 中获取此论文：

hf papers read 2608.06146

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2608.06146 即可从此页面链接到该模型。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.06146 即可从此页面链接到该数据集。

引用此论文的 Spaces0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2608.06146 即可从此页面链接到该 Space。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接到该收藏集。