document-intelligence

Datalab 发布了 Indra OCR——一个仅约 1M 参数的轻量 OCR 模型，在 CPU 上每秒最多可处理 49 页，速度比 Tesseract 和 PaddleOCR 快 11-24 倍，可将 PDF 和图片转换为 Markdown、纯文本或带框的 JSON。

Datalab 发布了 'lift'，一个开源权重的 9B 视觉模型，能从 PDF 和图片中一步直接提取符合 schema 约束的 JSON，准确率媲美 Gemini Flash 3.5，速度却是其 3 倍。它支持多页文档处理，可通过 vLLM 或 Hugging Face 自托管部署，代码采用 Apache-2.0、模型采用 OpenRAIL-M 许可协议发布。

Jina-ocr-v1是一款专为高级文档智能设计的多模态视觉语言模型，能够从多语言图像中读取文本。

Datalab 宣布推出 Surya OCR 2，这是一个 650M 参数的 OCR 模型，在 olmOCR 基准测试中，参数量低于 1B 的模型里取得了最高准确率，同时速度快且支持多语言。

Chunkr 是一个开源文档智能服务，将 PDF、PPT、Word 文档和图像转换为结构化块，用于 RAG 和 LLM 流水线。它具有 OCR 布局分析、结构化 HTML/Markdown 输出、视觉语言模型处理，以及通过 Docker Compose 自托管部署，可配置 LLM 提供商。

Mistral AI 发布了 Mistral OCR 4，一款紧凑型文档智能模型，能够提供边界框、块分类和内置信度评分，用于结构化文本提取。该模型支持170种语言，可在单个容器中运行以实现自托管部署，并与 Mistral Search Toolkit 集成，用于企业搜索和 RAG 管线。

Notum是一款专为律师事务所设计的AI驱动研究与文档智能工具，旨在简化法律研究和文档管理。

Parse-Flow 是一个开源的可视化工作流设计器，它将文档智能原语（解析、提取、分类、拆分）组合成可复用的流水线，底层基于 LlamaIndex 和 Python 工作节点。

Parse-Flow 是 LlamaIndex 构建的一个开源可视化工作流设计器，它将四个文档处理原语——Parse（解析）、Classify（分类）、Split（分割）和 Extract（提取）——串联到一个由 LlamaAgents 工作流驱动的拖拽画布中，能够从非结构化企业文档（如PDF、合同和发票）中可靠地提取结构化数据。

Surya OCR是一款最先进的开源OCR模型，参数少于10亿（<1B），支持91种语言，在3B参数以下的基准测试中取得最高分。

本文识别了文档布局分析鲁棒性评估中的足迹偏差，并提出了一种结构感知的审计框架，该框架解耦了探针构建与路径归因，表明小规模的结构定向探针会导致与较大扰动相当的下游性能退化。