云知声
2026.02.27
1 分钟阅读
云知声正式推出Unisound U1-OCR文档智能基础大模型，这是首个工业级文档智能基座模型，标志着OCR 3.0时代正式开启。
传统OCR 1.0仅能识别文字，OCR 2.0具备端到端版面理解能力，而U1-OCR在理解版面基础上进一步洞察文档深层语义，实现自动分类与业务级信息抽取，完成从“字符感知“到“文档认知“的质的飞跃。
该模型采用ViT+LLM架构，视觉编码器采用NaViT架构实现文档分辨率动态处理，参数规模3B量级。核心创新包括：
- “语义驱动+动态聚焦“策略：先梳理文档目录、标题层级关系，再按需提取内容，自动构建文档“语义地图”
- 空间感知力：强化空间对齐模块，充分利用文字位置信息，精准还原文档结构
- Multi-Token Prediction技术：同步考虑未来多个Token概率分布，提升长文档逻辑连贯性
- 全任务强化学习策略：将推理效率提升80%以上
在OmniDocBench V1.5评测中，U1-OCR以95.1分取得SOTA，领先GLM-OCR、Deepseek-OCR2、Gemini-3-Pro、GPT-5.2等主流模型；在D4LA评测中F1分数达90.8，大幅领先DocLayout-YOLO（87.3）和PP-StructureV3（86.0）。