5285 积分	0 好友	683 主题

OmniDocBench 评测基准解读：文档解析不只看识别字数，表格公式阅读顺序才是关键

发表于 2 小时前 | 查看: 4| 回复: 0

PDF 里的文字都识别出来了，表格却错行、公式变乱码，阅读顺序也乱了。

OmniDocBench 不是新的 OCR 模型，而是一套用来评估文档解析结果的数据与方法。 如果你正在选文档解析方案、搭建知识库或评测模型，这张“考卷”值得收藏。

OCR文档解析评测对比示意图

一份财报里，数字都认出来了，却把“收入”和“成本”对错了行；论文中的公式少了一个上下标，整句话的意思就变了。

更隐蔽的是阅读顺序：双栏文章的文字一个字都没错，但左右两栏被交替拼接，送进知识库之后，回答自然也容易跑偏。

所以评估文档解析，不能只问“识别了多少字”。还要看结构有没有保住、顺序有没有读对、公式和表格能不能继续使用。

OmniDocBench 是什么？

OmniDocBench 是 OpenDataLab 提出的文档解析评测基准，相关论文发表于 CVPR 2025。它包含标注数据、评测代码和公开的模型结果。

用考试来类比：文档页面是试卷，标注是参考答案；你选择的解析工具负责答题，评测代码负责比较结果。

文档解析评测四要素白板说明图

仓库当前介绍的基准包含 1651 个 PDF 页面，覆盖多种文档、版式和语言类型，并提供文字、表格、公式、阅读顺序等标注。不同版本的数据规模和评测方法会变化，比较结果时必须先对齐版本。

下面是项目提供的数据与标注介绍原图：

PDF文档解析与标注体系详细说明图

项目使用不同指标衡量这些维度。例如文字常看编辑距离，表格涉及 TEDS，公式涉及 CDM。理解趋势即可：不同指标的分数方向和计算方式不同，不能直接拿数字互相比较。

项目 README 给出了不同模型的评测结果，但榜单不是一句“第一名就是最适合我”的答案。

以仓库展示的端到端 Overall 为例，它由文字、表格和公式指标组合计算；阅读顺序是单独展示的指标，不包含在该总体公式里。如果你的应用特别依赖阅读顺序，只盯总体分数就可能错过问题。

同时要核对数据集版本、模型版本、输入方式和评测配置。不同版本的样本、匹配规则和评分方式会变化，跨版本数字不能简单当作同一场考试。

一款模型在公开基准表现好，也不保证它一定适合你的扫描合同、历史票据或内部报表。延迟、资源、隐私、语言以及后续人工校对成本，也要纳入选择。

如果你在做 PDF 转 Markdown、企业知识库或 OCR 产品，可以先用它建立对文档解析能力的基本认识，再准备一批经过授权、符合实际业务的样本。

一个实用的比较思路：

这套基准能帮助组织评测，但它不负责替你自动完成全部文档解析。实际跑分仍需要准备模型预测结果、评测环境和配置；公式相关指标也有额外依赖。

仓库代码标注 Apache-2.0，数据集和原始文档的使用许可需要单独核对，不能直接推断与代码完全相同。

公开基准还可能与真实业务的数据分布不同，标注和评分方法也有自身边界。高分可以作为筛选线索，但不等于生产系统的准确率保证。

本文依据项目仓库和论文整理，未运行评测，也未复现任何榜单分数。后续可以用一份含表格、公式和双栏的授权 PDF，比较不同解析工具的输出，再看看哪些错误最影响后续知识库问答。