标签
这条推文对 Gemini 3.6 Flash 和 Gemini 3.5 Flash Lite 在文档理解方面进行了基准测试，发现虽然 Flash 系列最初在视觉理解方面表现出色，但最新版本由于针对编码和推理进行了后期训练，性能已趋于平稳甚至有所退步。
DeepSeek OCR 2 是一个拥有3B参数的模型，在OCR和文档理解方面超越了Gemini 3 Pro，具有类似人类的阅读顺序，并支持本地微调。
SynthDocBench 是一个完全合成的长上下文视觉文档理解基准，它系统地控制文档长度、布局、模态和问题类型，揭示了当前VLM中的失败模式，如长度退化和位置敏感性。
LlamaIndex对GPT-5.6在文档理解方面进行了基准测试，发现其相比GPT-5.5没有改进；该模型在文本和表格上表现良好，但在图表和布局方面仍有不足。
提出了BaFCo，一个面向孟加拉语表单理解的基准数据集，重点关注文档布局分析（DLA）和关键信息提取（KIE）。该数据集包含200份多页复杂孟加拉国政府表单，涵盖26种实体类型的细粒度标注，并对多个多模态大型语言模型（MLLMs）进行了评估，揭示了当前模型在理解复杂孟加拉语表单方面的局限性。
HunyuanOCR-1.5 是一款轻量级端到端OCR视觉语言模型，通过DFlash（推理速度提升6.37倍）提高效率，通过Agentic Data Flow增强能力，在文档解析、OCR和多语言任务上达到顶级性能。
LEDGER是一个新的基准测试，用于评估大语言模型在企业年报上的长上下文能力，提供了4,999份数字化报告，包含31个财务关键绩效指标，以及涵盖检索和提取的三项评估任务。
Jerry Liu的团队正在CVPR 2026上展示ParseBench，这是一个针对视觉语言模型（VLM）的全面文档理解基准。该基准包含2000页真实企业文档，以及针对表格、图表和视觉定位的评估指标。
MM-BizRAG 是一个面向企业问答的多模态检索增强生成系统，通过文档结构感知分割和版式感知解析，在异构企业文档上的表现比以视觉为中心的基线方法最高提升 32%。该论文还提出了 FastRAGEval——一种基于 LLM 的高效评估指标，其与人类判断的对齐程度优于 RAGChecker，且成本更低。
LFRAG提出了一种面向布局的细粒度检索增强生成框架，该框架在多模态文档中从页面级检索转向块级检索，在新提出的LFDocQA基准上实现了最先进的性能，并将令牌数量减少了73%。
纳斯达克专访了Llama Index首席执行官Jerry Liu，讨论了该公司用于企业AI代理的文档理解与OCR技术，本次合作基于Wing VC的Enterprise Tech 30榜单。
LlamaIndex发布了ParseBench，这是一个用于评估AI智能体文档理解能力的全面基准测试，涵盖包含表格、图表和布局的复杂企业文档。将举办一场在线研讨会，讨论该基准测试的方法和结果。
Infinity 发布了两个开源权重模型，Infinity-Parser2-Pro（35B）和 Infinity-Parser2-Flash（2B），它们登顶了 ParseBench 文档理解排行榜，利用了合成数据引擎和一种新颖的联合强化学习算法。
CiteVQA 是一个面向文档视觉-语言模型的基准，它同时评估答案正确性与支持证据的引用，揭示了广泛的归因幻觉现象，即模型提供正确答案但引用错误区域。
DocScope 是一个新的基准测试，旨在评估多模态大语言模型在长文档上的可靠推理能力和可信度，引入了包含页面定位、区域定位、事实提取和答案验证四个阶段的评估协议。
DocAtlas是一个框架，通过差异渲染和合成生成，构建了覆盖82种语言的高保真OCR数据集和基准。它表明，直接偏好优化能够改善多语言模型的适配，而不会降低基础语言的性能。
NuExtract3 是一个 4B 参数规模的视觉-语言推理模型，用于文档理解，支持结构化提取和图像到 Markdown 的转换。
ParseBench 首次把图表理解放进整份企业文档中评测视觉-语言模型，填补了以往仅针对孤立图表的基准空白。
仅 1.7B 参数的多语言文档解析器 dots.ocr，用轻量体积实现 SOTA，证明文档理解无需巨无霸模型。
IBM 发布 Granite 4.0 3B Vision，这是一款专为理解企业文档而设计的紧凑型视觉语言模型，具备表格提取、基于 ChartNet 的图表解读以及键值对 grounding 等专业能力。