小红书开源了基于qwen3-vl-2B微调的FireRed-OCR模型采用“几何语义”数据工厂和三阶段训练方法针对长尾版式文档解析问题。阶段1使用多任务预对齐粗标注数据阶段2用精标注数据提升精度和结构一致性阶段3通过RL强制约束优化输出格式。实验结果显示FireRed-OCR在复杂文档解析上表现优异为文档智能领域提供了新的解决方案。继续跟进【[文档智能]】解析进展小红书今天又开源了一个多模态文档解析模型基于qwen3-vl-2B参数微调训练的参数量的FireRed-OCR与paddleocr-vl等不同的是Layout阶段采用的也是2b的模型整体方式与mineru2.5相似。下面来看看整体的方法。方法数据方法几何 语义数据工厂用几何特征聚类和多维度标注合成均衡的训练数据集专门针对长尾版式比如奇特的多栏、嵌套表格做数据增强解决了真实世界文档分布不均衡的问题。训练分三个阶段阶段 1预对齐用粗标注数据低成本、大规模打基础阶段 2SFT用精标注数据高成本、中规模提高精度阶段 3GRPO用约束校验数据无标注、轻量化增强处理逻辑如下训练方法阶段1多任务预对齐包含三个互补子任务,采用异质数据集 联合训练检测与OCR输入文档图像模型需同时输出文本的边界框坐标和对应识别文本。区域OCR输入图像局部裁剪区域或坐标提示如“识别图像左上角100×100像素区域的文本”模型输出该区域内的文本内容。该任务提升模型对局部高分辨率文本的敏感程度解决密集文本区域的识别模糊问题。全页Markdown转换初始版简单的布局直接生成Markdown格式。交叉熵损失函数这一阶段识别文本内容和位置初步理解简单布局但结构输出缺乏一致性和规范性如表格列数混乱、标题层级错乱。阶段2SFT基于 curated 高质量数据集 400k 文档-Markdown 对齐对训练结构一致性确保长文本生成中逻辑连贯例如长文档的章节层级不中断、多页表格的列数保持一致避免“碎片化输出”。层级表达稳定性严格区分语义层级例如 Markdown 中“# 一级标题”“## 二级标题”的嵌套关系、有序列表与无序列表的区分还原原始文档的视觉层级。Markdown 格式标准化统一格式表达规范例如公式用 LaTeX、表格用标准 Markdown、加粗/斜体的符号使用一致。跨语言与复杂布局主要考虑训练数据的多样性多语言文本等、复杂几何布局多列学术论文、图文混合文档、扭曲扫描件。其他细节阶段1使用较粗标注PaddleOCR-VL v1训练通用能力阶段2切换为精细标注PaddleOCR-VL v1.5优化细节。阶段3GRPO格式约束优化通过RL强制约束输出结构语法解决如未闭合的标签、无法编译的公式。组生成模块对每个输入图像-指令对模型通过采样生成 G 个输出形成候选输出组。复合奖励函数设计通过四部分加权奖励引导模型生成“结构合规内容准确”的结果权重 经实验优化确定公式语法奖励用轻量级 LaTeX 解析器验证公式合法性无法编译或含非法符号则得 -1 分合法公式按复杂度给予正分。层级闭合奖励检查 Markdown/HTML 类标签的闭合情况如 ** 加粗符号、table 表格标签未闭合节点数量与惩罚正相关。表格完整性奖励验证表格列数是否全局一致结构为矩形且无缺失行/列得 1 分否则得 0 分表格是 OCR 中最易出错的结构。文本准确性奖励计算生成文本与 SFT 阶段伪真值的归一化负编辑距离Levenshtein Distance。实验结果如何系统的学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。一直在更新更多的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】01.大模型风口已至月薪30K的AI岗正在批量诞生2025年大模型应用呈现爆发式增长根据工信部最新数据国内大模型相关岗位缺口达47万初级工程师平均薪资28K数据来源BOSS直聘报告70%企业存在能用模型不会调优的痛点真实案例某二本机械专业学员通过4个月系统学习成功拿到某AI医疗公司大模型优化岗offer薪资直接翻3倍02.大模型 AI 学习和面试资料1️⃣ 提示词工程把ChatGPT从玩具变成生产工具2️⃣ RAG系统让大模型精准输出行业知识3️⃣ 智能体开发用AutoGPT打造24小时数字员工熬了三个大夜整理的《AI进化工具包》送你✔️ 大厂内部LLM落地手册含58个真实案例✔️ 提示词设计模板库覆盖12大应用场景✔️ 私藏学习路径图0基础到项目实战仅需90天第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】