程序员福音！轻量级文本公式识别模型UniRec-0.1B：性能SOTA+9倍速，代码已开源！

背景

2025年这一年智能文档方面得到了快速发展，发布了DeepSeekOCR，QwenVL，HunyuanOCR，PaddleVL-OCR，Monkey-OCR，MinerU，Dolphin等作品。虽然这些产品都取得了不错的效果，但在一些业务场景中想落地还是有一段距离，比如说性能。

这个文章比较吸引人的是0.1b、sota。相比于其他工作（IBM的granite-docling-258M服务与docling，不通用）这个模型已经非常轻量了。UNIREC-0.1B作者分析了OmniDocBench以及现有模型推理耗时情况，如下：

也就是说：文本、公式这类纯文本类型数据占据了主要的内容，并且在推理过程也非常耗时。这篇论文的主要贡献如下：

构建了UniRec40M，其中包含4000万条中英文多层级文本-公式样本，填补了统一文本与公式识别领域的数据空白。
提出UniRec-0.1B，一个轻量级的统一识别模型。该模型通过引入分层监督训练和语义解耦分词器，解决了细粒度与模态混合带来的挑战。
大量评估表明，UniRec-0.1B在各种文本和公式识别任务中的准确率优于或持平于领先的大型视觉语言模型，同时实现了2至9倍的推理速度提升。

方法论

模型结构方式采用的是主流的方案encoder-decoder结构，如下图：

模型结构源码： https://github.com/Topdu/OpenOCR/blob/main/openrec/modeling/transformers_modeling/modeling_unirec.py[3]

图像编码器使用的是：FocalNet，从源码来看使用的是FocalSVTR。支持动态分辨率，但最大宽度和高度分别为：960像素、1480像素。对于图像有：

视觉特征维度为 . 然后使用将展平为一些的视觉token，如下：

文本和公式的Label采用了一种分层监督的token定义，还采用了语义解耦的分词器( Semantic-Decoupled Tokenizer,SDT)来分离文本和公式，最后得到的token序列如下：

标识句子的开始；
最后一个标签标识序列的结束；
标识序列中token的数量。

使用一个Text Embeeding层将每个文本token转化为一个向量，有：的文本矩阵。

解码器使用的是： M2M100这个模型。包含了6个Transformer 带有cross-attention模块的层，每层hidden size为，以及有个attention head。那么在给定的文本Embedding 以及视觉特征，然后解码器就可以在因果掩码的约束下自回归的生成，如下：

训练和推理就可以常规的大模型操作一致了。特殊的操作有：分层监督、语义解耦分词器

分层监督训练

主要面向的问题是文本和公式之间的差异。其在数据集中引入了行级和段落级别的监督token为 <|ln|> 、<|pn|>，分别标识段落内的换行，以及段落的结束。在推理的过程中可以有效地还原文本的换行表示。

语义解耦分词器

依然是现有的tokenizer将文本和公式混杂在一块，而公式中的特定标识与text中的表示具有不同的语义区分。对于当前使用比较小的模型，为了减少给模型引入不必要的学习复杂性，作者在纯文本上训练一个分词器，在数学公式上训练了另外一个分词器，然后将公式产生的token作为特殊token集成到文本分词器中，排除那些已存在于文本中的token，进而实现语义解耦。

训练数据构建

UniRec40M Dataset的构建，主要如下：

结果对比

效果对比

在自建的benchmark：UniRec-Bench上的对比结果：

在OmniDocBench上的对比：

其中比较有意思的点是，在替换条MinerU2.5，PaddleOCR-VL中的文本和公式识别模块（其他模块：如版面分析，表格识别使用原来的能力），其效果有所提升。

性能对比

总得来说，毕竟这个模型参数量处于0.1B的级别，在都是自回归语言模型的情况下，参数小的话在性能上是比较占据优势的。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。