字節(jié)開源的多模態(tài)端到端文檔解析模型-Dolphin 原創(chuàng)
下面來看一下字節(jié)最新開源的多模態(tài)文檔解析方案，筆者實際測下來性能還有待提升（鑒于合成數(shù)據(jù)，泛化性還較差，存在幻覺），不過思路可以借鑒下，供參考。
Dolphin性能
創(chuàng)新點
- 兩階段解析架構(gòu)：Dolphin采用了分析-解析范式，首先進(jìn)行頁面級布局分析，生成結(jié)構(gòu)化布局元素序列，然后在第二階段通過異構(gòu)錨點提示進(jìn)行并行內(nèi)容解析。
- 端到端的文檔解析，模型參數(shù)量小（300M+），易于落地
- 提供了數(shù)據(jù)合成的思路，大規(guī)模數(shù)據(jù)增強(qiáng)模型的泛化能力
- 提供了位置坐標(biāo)，通過并行解析的方式加快了解析速度
模型架構(gòu)與方法
Dolphin 的兩階段文檔圖像解析范式概述
模型架構(gòu)
類似donut，基于VisionEncoderDecoderModel架構(gòu)，視覺編碼器：donut-swin + 解碼器：mbart，因此可以看出，模型側(cè)并沒有什么創(chuàng)新，創(chuàng)新點主要在于數(shù)據(jù)構(gòu)建策略上。
方法
分兩個階段：
1.1 第一階段：頁面級布局分析
(1) 圖像編碼（Page Image Encoding）
- 使用Swin Transformer提取文檔圖像的視覺特征，輸出形狀為 ，其中：
??d?? 是嵌入維度
??N?? 是圖像被分割的 patch 數(shù)量
- 輸入圖像會被調(diào)整大小并填充到固定尺寸（如?
?896×896??），以保持長寬比，避免文本變形。
(2) 布局序列生成（Layout Sequence Generation）
- 使用mBart 解碼器，在布局分析提示（?
?Playout??）的引導(dǎo)下，按閱讀順序生成文檔元素的序列??L = {l?, l?, ..., l?}???，其中每個元素??l??? 包含：
類型（如文本段落、表格、公式）
邊界框（bounding box）
- 提示示例：
Parse the reading order of this document.1.2 第二階段：元素級內(nèi)容解析
(1) 元素圖像編碼（Element Image Encoding）：對第一階段提取的每個元素 ??l????，從原圖中裁剪出對應(yīng)的區(qū)域 ??I???，并用 Swin Transformer 編碼，得到該元素的視覺特征。
(2) 并行內(nèi)容解析（Parallel Content Parsing）：對每個裁剪后的元素圖像 ??I???，結(jié)合 特定類型的提示（??p???），由解碼器并行生成解析結(jié)果：
- 表格→ 使用?
?P_table?? 提示，解析為 HTML 格式 - 公式→ 使用?
?P_paragraph?? 提示（與文本段落相同），解析為 LaTeX 格式 - 文本段落→ 使用?
?P_paragraph?? 提示，解析為純文本 - 提示示例：
- 表格解析：?
?Parse the table in the image.?? - 文本/公式解析：?
?Read text in the image.??
小結(jié)：并行解碼的優(yōu)勢：并行處理多個元素，比串行解析更快（實驗顯示速度提升 ~2×）。每個元素的解析獨立進(jìn)行，減少長序列建模的誤差累積。
1.3. 數(shù)據(jù)集構(gòu)建
Dolphin 使用 3000萬+ 樣本 進(jìn)行訓(xùn)練，涵蓋多種文檔類型和解析任務(wù)：
數(shù)據(jù)來源
- 混合文檔：教育材料（試卷、教材）、出版物（雜志、報紙）、商業(yè)文檔（PPT、報告）。
- HTML：從維基百科渲染生成，增強(qiáng)視覺多樣性。
- LaTeX：從 arXiv 論文提取，保留結(jié)構(gòu)信息。
- Markdown：從 GitHub 渲染，支持表格和公式。
- 表格 & 公式：PubTabNet、PubTab1M（表格）、arXiv 公式（LaTeX 渲染）。
實驗性能
參考文獻(xiàn)：Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting，https://arxiv.org/pdf/2505.14059
code：???https://github.com/bytedance/Dolphin??
本文轉(zhuǎn)載自??大模型自然語言處理?? 作者：余俊暉
