Dolphin—字节跳动开源文档解析大模型震撼发布

Dolphin是字节跳动开源的轻量级、高效文档解析大模型，采用先解析结构后解析内容的两阶段方法。第一阶段生成文档布局元素序列，第二阶段基于元素并行解析内容。Dolphin在多种文档解析任务上表现优异，超越GPT-4.1和Mistral-OCR等模型，具有322M参数，支持多种文档元素解析。其代码和预训练模型已公开，适用于学术研究、商业办公、教育和技术开发等场景。

Dolphin是什么

Dolphin 是字节跳动开源的轻量级、高效的文档解析大模型。基于先解析结构后解析内容的两阶段方法，第一阶段生成文档布局元素序列，第二阶段用元素作为锚点并行解析内容。Dolphin在多种文档解析任务上表现出色，性能超越GPT-4.1、Mistral-OCR等模型。Dolphin 具有322M参数，体积小、速度快，支持多种文档元素解析，包括文本、表格、公式等。Dolphin的代码和预训练模型已公开，方便开发者使用和研究。

Dolphin的主要功能

• 布局分析：识别文档中的各种元素（如标题、图表、表格、脚注等），按照自然阅读顺序生成元素序列。
• 内容提取：将整个文档页面解析为结构化的JSON格式或Markdown格式，便于后续处理和展示。
• 文本段落解析：准确识别和提取文档中的文本内容，支持多语言（如中文和英文）。
• 公式识别：支持复杂公式的识别，包括行内公式和块级公式，输出LaTeX格式。
• 表格解析：支持解析复杂的表格结构，提取单元格内容并生成HTML格式的表格。
• 轻量级架构：模型参数量为322M，体积小，运行速度快，适合在资源受限的环境中使用。
• 支持多种输入格式：支持处理多种类型的文档图像，包括学术论文、商业报告、技术文档等。
• 多样化的输出格式：支持将解析结果输出为JSON、Markdown、HTML等多种格式，便于与不同系统集成。

Dolphin的技术原理

• 页面级布局分析：用Swin Transformer对输入的文档图像进行编码，提取视觉特征。基于解码器生成文档元素序列，每个元素包含其类别（如标题、表格、图表等）和坐标位置。这一阶段的目标是按照自然阅读顺序生成结构化的布局信息。
• 元素级内容解析：根据第一阶段生成的布局信息，从原始图像中裁剪出每个元素的局部视图。用特定的提示词（prompts），对每个元素进行并行内容解析。例如，表格用专门的提示词解析HTML格式，公式和文本段落共享提示词解析LaTeX格式。解码器根据裁剪后的元素图像和提示词，生成最终的解析内容。

Dolphin的项目地址

• GitHub仓库：http://github.com/bytedance/Dolphin
• HuggingFace模型库：http://huggingface.co/ByteDance/Dolphin
• arXiv技术论文：http://arxiv.org/pdf/2505.14059
• 在线体验Demo：http://115.190.42.15:8888/dolphin/

Dolphin的应用场景

• 学术研究：解析论文中的文本、公式和图表，助力文献整理和数据分析。
• 商业办公：提取商业文档的关键信息，便于合同审查和报告生成。
• 教育领域：将教材和试卷数字化，支持在线学习和多语言教学。
• 技术开发：解析技术文档，方便代码管理和技术交流。
• 日常应用：快速处理日常文档，提高办公效率。

今天关于《Dolphin—字节跳动开源文档解析大模型震撼发布》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！