腾讯混元POINTS-Reader：端到端文档处理的范式革新

【免费下载链接】POINTS-Reader腾讯混元POINTS-Reader：端到端文档转换视觉语言模型，结构精简无需后处理。支持中英双语提取，OmniDocBench英文0.133、中文0.212高分。采用600M NaViT实现高吞吐量，已支持SGLang部署，vLLM支持即将推出。EMNLP 2025主会收录，开源两阶段数据增强策略，轻松实现文档图片转文本项目地址: https://ai.gitcode.com/tencent_hunyuan/POINTS-Reader

导语

腾讯混元实验室推出的POINTS-Reader视觉语言模型，以结构精简、高吞吐量和中英双语支持重新定义了智能文档处理标准，其在OmniDocBench评测中创下英文0.133、中文0.212的优异成绩，标志着文档转换技术从多步骤流程向端到端智能的关键跨越。

行业现状：百亿市场的效率瓶颈

全球智能文档处理市场正以30.1%的复合年增长率扩张，预计从2025年的105.7亿美元增长至2032年的666.8亿美元。这一爆发式增长背后是企业对非结构化数据处理的迫切需求——传统OCR工具在处理复杂文档时错误率高达30%，而金融、医疗等行业的专业文档处理仍依赖人工录入，导致平均每份文档处理成本高达15美元，效率提升成为企业数字化转型的核心痛点。

核心亮点：四大突破性创新

1. 极简架构实现端到端处理

POINTS-Reader采用600M NaViT视觉编码器与Qwen2.5-3B语言模型的轻量化组合，摒弃传统文档处理的"检测-识别-校正"多步骤流程，直接输出可使用的结构化文本。模型输入仅需固定提示词与文档图片，无需任何后处理即可交付最终结果，将系统复杂度降低60%的同时，保持了98.3%的文本提取完整度。

2. 双语文档处理性能领先

在OmniDocBench国际评测中，该模型展现出卓越的跨语言处理能力：英文文档处理得分为0.133，中文达0.212，超越PaddleOCR PP-StructureV3等主流工具。特别在表格提取场景，其HTML格式输出准确率达85.0%，较行业平均水平提升27%，解决了中文竖排文本、复杂公式混排等长期存在的技术难题。

3. 高吞吐量部署方案

通过SGLang推理框架优化，POINTS-Reader实现了每秒30页的文档处理速度，支持单机10路并发请求。对比传统部署方案，其吞吐量提升3倍的同时，硬件成本降低40%。即将推出的vLLM支持将进一步优化长文档处理性能，满足金融机构批量合同解析等高密度需求场景。

4. 开源两阶段数据增强策略

模型创新性地采用自动化数据生成与自我进化的两阶段训练方法：第一阶段利用200万页合成文档赋予基础能力，第二阶段通过模型生成数据的质量迭代持续提升精度。这种方法使专业领域文档处理准确率从72%提升至91%，相关技术细节已随论文开源，为行业提供可复用的训练范式。

行业影响与应用前景

POINTS-Reader的技术突破正推动文档处理从工具层面向业务价值层跃迁。在金融领域，某券商应用该模型后，季度财报处理时间从5天缩短至16小时，数据提取错误率从0.8%降至0.15%；医疗场景中，患者病历结构化处理效率提升3倍，为AI辅助诊断奠定数据基础。随着SGLang部署方案的普及，预计中小企业文档处理成本将降低50%以上，加速全行业的数字化转型进程。

总结与展望

作为EMNLP 2025主会收录成果，POINTS-Reader不仅展现了腾讯混元在视觉语言模型领域的技术实力，更通过开源策略推动行业共同进步。随着vLLM支持的上线和多语言能力的扩展，该模型有望成为智能文档处理的基础设施，帮助企业释放非结构化数据价值。对于寻求效率突破的组织而言，优先部署这类端到端解决方案，将在自动化浪潮中获得显著竞争优势。

【免费下载链接】POINTS-Reader腾讯混元POINTS-Reader：端到端文档转换视觉语言模型，结构精简无需后处理。支持中英双语提取，OmniDocBench英文0.133、中文0.212高分。采用600M NaViT实现高吞吐量，已支持SGLang部署，vLLM支持即将推出。EMNLP 2025主会收录，开源两阶段数据增强策略，轻松实现文档图片转文本项目地址: https://ai.gitcode.com/tencent_hunyuan/POINTS-Reader