README.md

# Qianfan-OCR
## 论文
[Qianfan-OCR](https://arxiv.org/abs/2603.13398)

## 模型简介
Qianfan-OCR是由百度千帆团队研发的一款参数量为40亿（4B）的端到端文档智能模型。该模型在统一的视觉-语言架构下，实现了文档解析、版面分析与文档理解的深度融合。
相较于传统多阶段OCR流水线将版面检测、文本识别与语言理解模块串联执行的范式，Qianfan-OCR采用直接图像到Markdown的端到端转换机制，并支持广泛的提示驱动（prompt-driven）任务。其能力涵盖结构化文档解析、表格抽取、图表理解、文档问答以及关键信息提取等多元场景，所有功能均在单一模型内实现闭环处理。  
核心亮点:  
🏆 OmniDocBench v1.5 端到端模型榜首：综合得分高达93.12，超越DeepSeek-OCR-v2（91.09）、Gemini-3 Pro（90.33）及所有其他端到端模型。
🏆 OlmOCR Bench 端到端模型榜首：得分79.8。
🏆 关键信息提取（KIE）性能第一：在五个公开 KIE 基准测试中取得87.9的平均分，优于Gemini-3.1-Pro、Gemini-3-Pro、Seed-2.0 及 Qwen3-VL-235B-A22B。
🧠 Layout-as-Thought（版面即思维）：一种创新的可选思维链（Chain-of-Thought）机制，通过引入  标记，在端到端范式内显式重构版面分析过程，增强模型推理能力。
🌍 支持192种语言：具备广泛的多语言OCR能力，覆盖多种文字脚本。
⚡ 高效部署：在单张A100 GPU上采用W8A8量化（权重与激活值均为8比特）技术，推理吞吐量高达1.024 PPS（页/秒）。


## 环境依赖
| 软件 | 版本 |
| :------: | :------: |
| DTK | 26.04 |
| python | 3.10.12 |
| torch | 2.9.0+das.opt1.dtk2604.20260206.g275d08c2 |
| transformers | 5.0.0.dev0 |
| vllm | 0.15.1+das.opt1.alpha.dtk2604.20260220.g2799735a |

推荐使用镜像: harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm0.15.1-ubuntu22.04-dtk26.04-0130-py3.10-20260220

- 挂载地址`-v`根据实际模型情况修改

```bash
docker run -it \
    --shm-size 200g \
    --network=host \
    --name Qianfan-OCR \
    --privileged \
    --device=/dev/kfd \
    --device=/dev/dri \
    --device=/dev/mkfd \
    --group-add video \
    --cap-add=SYS_PTRACE \
    --security-opt seccomp=unconfined \
    -u root \
    -v /opt/hyhal/:/opt/hyhal/:ro \
    -v /path/your_code_data/:/path/your_code_data/ \
    harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm0.15.1-ubuntu22.04-dtk26.04-0130-py3.10-20260220 bash
```

更多镜像可前往[光源](https://sourcefind.cn/#/service-list)下载使用，其它包安装：
```
pip install pycountry
```

## 数据集
`暂无`

## 训练
`暂无`

## 推理
### vllm
#### 单机推理
```bash
## serve启动
vllm serve baidu-qianfan/Qianfan-OCR --trust-remote-code --dtype bfloat16 -tp 1 --max-model-len 32768

## client访问
curl -X POST "http://localhost:8010/v1/chat/completions"    -H "Content-Type: application/json"     --data '{
                "model": "baidu-qianfan/Qianfan-OCR",
                "messages": [
                        {
                                "role": "user",
                                "content": [
                                        {
                                                "type": "text",
                                                "text": "Describe this image in one sentence."
                                        },
                                        {
                                                "type": "image_url",
                                                "image_url": {
                                                        "url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
                                                }
                                        }
                                ]
                        }
                ]
        }'


```

## 效果展示
<div align=center>
    <img src="./doc/result.png"/>
</div>

### 精度
`DCU与GPU精度一致，推理框架：vllm。`

## 预训练权重
| 模型名称  | 权重大小  | DCU型号  | 最低卡数需求 |下载地址|
|:-----:|:----------:|:----------:|:---------------------:|:----------:|
| Qianfan-OCR | 4B | BW1000 | 1 | [HuggingFace](https://huggingface.co/baidu/Qianfan-OCR) |


## 源码仓库及问题反馈
- https://developer.sourcefind.cn/codes/modelzoo/qianfan-ocr_vllm

## 参考资料
- https://github.com/baidubce/Qianfan-VL