五大维度、12个语种，全第一！云知声U2-OCR登顶MDPBench榜单

文档智能的挑战，远不止识别文字。一张带有弯折、阴影的随手拍照片，一份采用不同文字系统的多语种资料，或一个文本、表格、公式交织的复杂页面，都要求模型在准确识别内容的同时，还原页面结构与阅读顺序，将文档转化为可利用的信息。

近日，云知声U2-OCR在多语言文档解析基准MDPBench中取得领先成绩：以86.0分登顶文档解析专业模型（Specialized VLM）榜单，并在全类别（All types）榜单中位列第二，超过Kimi K3等通用视觉语言模型。

在专业模型类别中，U2-OCR还包揽数字文档、拍照文档、拉丁文字系、非拉丁文字系及私有评测集五项细分维度第一，并在17个评测语种中取得12个语种单项第一。这一表现，体现了其跨语言、跨版式及复杂成像条件下的文档解析能力。

图1：MDPBench文档解析专业模型榜单（Specialized VLM）

图2：MDPBench全类别模型榜单（All types）

1  从综合领先到细分第一，U2-OCR能力覆盖多类文档场景

作为面向文档智能的OCR大模型，U2-OCR支持文档解析、信息抽取、视觉问答和文字定位。此次评测中，其领先表现覆盖了不同成像方式、文字系统与评测数据集。

图3：U2-OCR五项细分维度成绩，排名范围均为Specialized VLM类别。

其中，拍照文档与非拉丁文字系统是MDPBench重点考察的挑战。U2-OCR在这两项中分别取得84.1分和83.7分，说明其优势不仅体现在清晰、规整的数字页面上，也延伸至更复杂的拍摄条件和文字系统。

私有评测集上的87.5分，则提供了进一步的验证。MDPBench包含2,720张公开评测图像与680张私有评测图像；私有图像及标注不公开，由官方组织评测，以降低针对公开样本定向优化带来的偏差。

在逐语种评测中，U2-OCR的领先表现同样具有广泛覆盖。在17个语种中，以下12个语种得分位列专业模型类别第一，占评测语种总数的七成以上。

图4：U2-OCR在17个语种中取得12项第一，排名范围均为Specialized VLM类别。

从欧洲语言到东南亚语言，从中文到日语、俄语，U2-OCR在多个语种中取得领先成绩。这些结果表明，其优势并非仅集中在个别语言，而是在多语种文档解析评测中呈现出较为广泛的竞争力。

图5：MDPBench逐语种得分节选（Specialized VLM）

2  五项第一、12语种领先，优势不只在"容易的题"上

MDPBench覆盖17个语种、3,400张文档图像，其中75%为真实拍摄图像。模型不仅需要应对倾斜、弯折、反光与阴影等成像干扰，还要适应不同文字系统与阅读规则，准确还原文本、表格、公式及整页阅读顺序。在评测中，模型不会预先获知文档语种或成像类型，进一步考验其跨语言、跨版式与复杂拍摄条件下的解析能力。

图6：MDPBench真实拍摄样例——倾斜、弯折、褶皱、模糊与阴影等干扰可同时出现在一张图像中。

3  高质量数据池+分阶段训练，U2-OCR如何做到端到端解析

面对上述挑战，U2-OCR围绕数据质量、多任务训练和端到端解析构建技术能力，将通用文档理解与重点场景强化相结合。

高质量数据构建，为多任务学习打好基础。 U2-OCR围绕文档解析、信息抽取、视觉问答和文字定位，构建覆盖不同文档类型、版式结构及语言场景的训练数据体系。通过多模型预测结果交叉验证、格式校验、内容一致性检查与异常样本过滤，提升训练标签的准确性和可靠性；同时持续补充多语言、复杂表格与真实拍摄样本，形成万级文档解析训练数据池。

分阶段训练，强化多语言与真实拍摄能力。 U2-OCR首先通过解析、抽取、问答和定位任务的联合训练，建立通用文档理解能力；随后引入多语言解析与拍照文档专项数据，进一步学习不同语言的文字特征、阅读规则，以及复杂拍摄条件下的页面特征，增强跨语言、跨版式与非理想成像场景下的适应性。

端到端解析，将文档图像直接转化为可用内容。 在推理阶段，U2-OCR直接接收文档图像，在统一模型框架下完成文字识别、版面结构理解与结果生成，并根据任务需求输出Markdown解析结果或结构化信息。结合针对倾斜、褶皱、弯折与透视变形的专项训练，模型能够从复杂拍摄图像中提取内容与结构，保留文档原有的组织关系。

图7：U2-OCR 数据构建与分阶段训练支撑端到端文档解析

4  从榜单到业务：让"难啃的文档"不再依赖人工

从综合得分第一，到五项细分维度与12个语种全面领先，MDPBench的成绩验证了U2-OCR在多语言、复杂成像条件下的解析能力。

对业务而言，这意味着跨境单据、金融票据、拍照文档等长期依赖人工处理的场景，有了更可靠的自动化基础。

未来，云知声将持续推进OCR与多模态技术迭代，围绕多语种适配、拍照文档解析和结构还原打磨模型能力，让复杂文档中的信息更准确地被识别、理解与利用。

标签：