知识卡片：OCRia-1：面向文档解析的 SOTA 4B 视觉语言模型

一句话结论

OCRia-1 是 LlamaIndex 推出的 4B 参数视觉语言模型（VLM），在 ParseBench 上取得 87.4 综合分（比次高模型高 12.1 分），并在四个基准的表格评测中均排名第一，已用于驱动 LlamaParse。

事件概述或研究问题

企业文档（财报、保险申报、税表等）的信息大量以表格、图表、示意图和格式化文本组织。现有前沿模型与开源权重模型在准确率、成本、延迟三者兼顾上仍存在不足。OCRia-1 试图在 4B 参数规模下同时提升这三个维度，问题聚焦于：小模型能否在复杂表格、图表结构化与格式保真上超越更大模型。

方法/产品要点

• 模型规模：4B 参数视觉语言模型，属于 35B 参数以下解析模型中的最高分。
• 训练数据：构建 100k+ 文档页训练集，覆盖密集且跨页的表格与图表、数学符号、多语言文本和难扫描件；用生成与评审 VLM 加上人工标注自举真值，并用合成文档生成器补充真实数据的长尾分布。
• 训练流程：监督微调（SFT）打基础，再用带可验证奖励的强化学习（RLVR）提升对复杂表格和图表的泛化。
• 输出能力：复杂表格重建嵌套表头、合并单元格与不规则网格；图表转成数据点的 HTML 表格；保留上标、下标、删除线、表单复选框等行内样式，数学公式转写为 LaTeX。
• 产品化：已接入 LlamaParse，官方称“同等价格下更高的解析准确率”。

主要结果或产业意义

• ParseBench 综合 87.4，领先次高模型（LightOnOCR-3-4B，75.3）12.1 分；Chandra-OCR-2（4B）74.8、Mistral OCR 4.1 为 67.5、olmOCR-2（7B）43.3。
• 四个基准均排名第一：ParseBench、olmOCR-bench（83.5）、PulseBench-Tab（84.1，1,820 张表）、fr-bench-pdf2md（72.1）。
• 表格分项：ParseBench 表格维度 91.5、olmOCR-bench 表格类 92.9、PulseBench-Tab 84.1、fr-bench-pdf2md 长表 83.2 与长表二 81.9。
• 图表提取：ParseBench 图表评测 85.1，领先次高模型（66.1）19.0 分，传统解析器接近 0 分。
• 格式保真：ParseBench 格式维度 83.4，次高为 Surya OCR 2（0.7B）67.9，领先 15.5 分。
• 产业意义：对金融服务与保险等需保留复杂表格结构的场景（财务报表、承保明细表）具有直接适用性；在 agentic 自动化需求增长背景下，小模型低成本高精度解析可降低规模化文档数字化的单位成本。

为什么重要

文档解析正成为专业工作自动化（agentic automation）的基础环节，而企业文档的核心信息多在表格与图表中。OCRia-1 表明 4B 级模型可在表格结构关系（值与其行列标签的对应）上超过更大模型，这对“准确率—成本—延迟”三角的取舍有直接参考价值；其图表转结构化数据与 LaTeX 公式转写能力，也扩展了从“文本数字化”到“可计算数据提取”的边界。

与既有脉络的关系

本条为新增主题（文档解析基础模型），与已有卡片（机器人视频世界模型、肿瘤学编排框架、LLM 极低位压缩）无直接事实重叠；若后续出现 OCR/文档理解类卡片，可将本条作为“4B 级 VLM 在表格与图表结构化上的基准参照”。

局限与不确定性

• 基准结果主要由官方博客给出，技术报告细节（如 RLVR 奖励设计、数据配比、消融实验）待核实。
• olmOCR-bench 分数按 1,288px 统一渲染调整，与其他榜单原生渲染口径不完全一致，跨榜比较需谨慎。
• 成本与延迟仅以“同价位”“领先”定性描述，具体数值待核实。
• 合成数据与 VLM 自举标注可能引入偏差，对真实长尾文档的影响待核实。
• 除英文外的多语言覆盖范围（PulseBench-Tab 为多语言表格）具体语种清单待核实。

可用于图书/PPT/简报的角度

• “小模型打败大模型”的文档解析案例：4B vs 7B/更大模型的基准对比图。
• 企业文档自动化的成本曲线：准确率提升与单价不变的含义。
• 表格结构理解为何难：嵌套表头、合并单元格、不规则网格对财务与保险解读的影响。
• 从 OCR 到“可计算数据”：图表转 HTML 表格、公式转 LaTeX 的 downstream 价值。
• 训练配方：SFT + RLVR 在结构化输出任务上的组合范式。

原始材料

• 标题：Introducing OCRia-1
• 来源：LlamaIndex Blog
• URL：https://www.llamaindex.ai/blog/parse-ocria-1
• 关键词：document parsing, vision-language model, OCRia-1, ParseBench, table parsing, chart extraction, LlamaParse, RLVR, SFT, 4B model