我们推出了“千帆OCR”(Qianfan-OCR),这是一款参数量达40亿的端到端视觉—语言模型,首次在单一架构内统一实现了文档解析、版面分析与文档理解三大核心能力。该模型可直接将文档图像转换为结构清晰的Markdown格式,并支持多种基于提示词驱动的任务,包括表格提取、图表理解、文档问答以及关键信息抽取。针对端到端OCR模型普遍缺失显式版面分析能力的问题,我们提出了“版面即思维”(Layout-as-Thought)机制:当模型识别到特定的“思考令牌”(think tokens)时,将自动触发一个可选的推理阶段,先生成结构化的版面表征——包括各元素的边界框(bounding boxes)、元素类型(element types)及阅读顺序(reading order),再生成最终输出;此举不仅重建了模型对物理版面的感知与定位能力,还显著提升了其在复杂版式文档上的处理精度。在权威评测基准OmniDocBench v1.5与OlmOCR Bench上,“千帆OCR”分别以93.12分和79.8分的成绩位居所有端到端模型榜首;在OCRBench、CCOCR、DocVQA及ChartQA等主流评测中,其表现亦可媲美同规模通用视觉语言模型(VLMs);而在公开的关键信息抽取基准测试综合平均分上,更以领先优势超越Gemini-3.1-Pro、Seed-2.0及Qwen3-VL-235B等前沿大模型,位居第一。该模型已通过百度智能云千帆大模型平台向公众开放使用。

