为什么解析基准测试可能误导你对真实性能的判断
大多数公开文档解析基准测试只报告单一的OCR或Markdown级别相似度分数，而且通常基于整洁的学术版式或合成文本。这类指标与下游智能体实际所需的相关性很差：它们真正需要的是在杂乱的真实世界页面上，针对特定字段提取出正确的值。RealDocBench [3] 表明，单一数字的基准测试掩盖了不同系统之间性能的巨大差异，并且存在一个持续难以攻克的医学子领域——而单一分数会掩盖这一点。
这意味着，基准测试分数高并不保证你的系统能从模糊的索赔表单照片中准确提取出正确的字段值。相反，你需要针对实际处理的文档类型进行评估，并衡量字段级别的准确率，而不仅仅是相似度分数。
延迟和成本是决定生产系统成败的关键指标
在实际部署中，速度和单页成本往往比解析精度的微小提升更为重要。HunyuanOCR-1.5 [1] 表明，轻量级OCR VLM可实现6.37倍的Transformer推理加速，并在vLLM下实现2.14倍的加速，使其成为轻量级OCR VLM中速度最快的一款。这一加速直接转化为更低的延迟和更低的服务成本，而这对于高吞吐量应用至关重要。
类似地，一个采用紧凑型视觉语言模型（Qwen 2.5-VL-7B）的混合系统，在每周处理数万份理赔时，实现了每份文档平均处理延迟低于2秒的成绩[2]。相较于人工处理每份理赔约需10分钟，这实现了300倍的提升。这些数据表明，延迟和吞吐量等部署指标才是决定系统能否应对现实世界规模的关键。
字段级准确率才是真实文档处理中真正重要的指标
对于抵押贷款、财务报告和临床记录等受监管文件，目标并非重现页面，而是提取特定字段的正确值。RealDocBench [3] 引入了一个问答轨道，涵盖581份文档中的1,356个字段级问题，并按逐字段和严格的逐问题准确率进行评分。这种方法揭示了单一数字基准所掩盖的广泛性能差异，并表明某些领域（如医疗）始终更具挑战性。
在已部署的理赔处理系统中，字段级提取准确率约为87%，文档类型分类准确率超过95%[2]。正是这样的准确率水平，才使得自动化在生产环境中切实可行。因此，在比较紧凑型视觉语言模型（VLM）用于文档解析时，应优先关注模型在你自己文档类型上的字段级准确率，而非通用的解析基准分数。
关于这些来源
该回答基于3项研究（2项经同行评审，1项为预印本），发表于2026年，其中3项为2024年或之后发表，从3项通过质量筛选的研究中选为最相关者，这些研究源自从超过5亿篇论文的数据库中检索出的50篇文献。
本文引用的文献
HunyuanOCR-1.5：让轻量级OCR视觉语言模型更快、更优
HunyuanOCR-1.5，一款轻量级OCR视觉语言模型，实现了6.37倍的Transformer推理加速，并在vLLM框架下获得2.14倍加速，成为轻量级OCR视觉语言模型中速度最快者，同时在OmniDocBench基准上保持了顶尖性能。
用于多阶段索赔文档理解的混合架构：结合视觉语言模型与机器学习实现实时处理
一种采用紧凑型视觉语言模型（Qwen 2.5-VL-7B）的混合流水线，在文档类型分类上实现了超过95%的准确率，字段级提取准确率约为87%，每份文档的平均处理延迟低于2秒，并在生产环境中每周处理数万份理赔申请。
RealDocBench：面向真实世界受监管文档的字段级问答与版面理解基准
RealDocBench是一个包含581份真实监管文档、共1356个字段级问答问题的基准测试，它表明单一数值的基准会掩盖广泛的性能差异，而字段级准确率以及成本/延迟之间的权衡对于实际部署至关重要。