阿里巴巴团队开源，OCR 又来一个高手，第一！

大家好，我是Ai学习的老章

OCR 我写过太多了，每隔一段时间就有新模型出来：

今天这位选手是阿里巴巴团队开源的Logics-Parsing-v2，在两个主流 Benchmark 上直接拿了第一：自家的 LogicsDocBench 拿了82.16 分，公开的 OmniDocBench-v1.5 拿了93.23 分，都是目前最高分。

https://www.modelscope.cn/studios/Alibaba-DT/Logics-Parsing/summary?spm=label.24dbbd5e.0.0.34862eb7aIqtVk 这模型有啥不一样？

市面上 OCR 模型一大把，Logics-Parsing-v2 凭啥能打？核心就两个字：全能。

传统 OCR 做的事情比较窄——识别文字、提取表格、处理公式。但实际文档远比这复杂：报纸那种多栏排版、跨页表格、竖排文字、手写内容……这些"脏活累活"，大部分模型处理得都不太行。

Logics-Parsing-v2 在 v1 的基础上，除了把这些传统任务做得更好之外，还加了一个全新的能力维度，叫Parsing-2.0——支持解析以下内容：

• 流程图 / 思维导图→ 输出 Mermaid 格式

• 乐谱→ 输出 ABC 记谱法

• 代码块 / 伪代码→ 结构化提取

• 化学分子式→ SMILES 格式

你没看错，它能看懂乐谱。这在 OCR 领域算是相当炸裂的能力了。

Logics-Parsing-v2 能力概览——从传统文档到流程图、乐谱、代码全覆盖 Benchmark 成绩单

先看自家的LogicsDocBench，这是阿里专门建的评测集，900 页 PDF，覆盖三大场景：

场景

页数

包含内容

STEM 文档

218 页

物理、数学、工程等十多个学科

复杂排版

459 页

多栏、跨页表格、竖排、图文混排

Parsing-2.0

223 页

化学式、乐谱、代码块、流程图

在这个 Benchmark 上，Logics-Parsing-v2 以82.16 分的总分排名第一，远超其他选手。

LogicsDocBench 评测结果——Logics-Parsing-v2 全面领先

再看公开的OmniDocBench-v1.5，这个是业界公认的文档解析评测标准。Logics-Parsing-v2 拿了93.23 分，同样是最高分——比 Gemini 2.5 Pro、GPT-5、豆包 1.6 这些闭源大模型都高。

OmniDocBench-v1.5 评测结果——开源模型首次登顶

说实话，开源 OCR 模型在 OmniDocBench 上打赢闭源大模型，这还是头一次。之前我测过不少 OCR 模型，闭源的 Mathpix、doc2x 一直是天花板，现在这个天花板被捅穿了。

跟其他模型比怎么样？

在阿里自建的 Benchmark 上（v1 评测，数值越低越好，TEDS 越高越好）：

几个值得关注的对比：

• vs Gemini 2.5 Pro：Logics-Parsing 在英文文本（0.089 vs 0.115）、表格（0.165 vs 0.154 接近）上都有竞争力

• vs Mathpix：公式识别 Mathpix 还是很强（0.06 vs 0.106），但综合能力 Logics-Parsing 更好

• vs MonkeyOCR / GOT-OCR：全面领先，不在一个档次

• vs 通用大模型（GPT-5、Qwen2.5VL-72B）：专用模型优势明显

一个模型，端到端推理，不需要复杂的 pipeline，直接图片进、HTML 出。这个思路比传统的"检测+识别+后处理"流水线简洁太多了。

输出格式很讲究

Logics-Parsing-v2 输出的不是纯文本，而是结构化 HTML。

每个内容块都带有：

• 类别标签：段落、表格、图片、公式等

• 边界框坐标：精确到像素级的位置信息

• OCR 文本：识别出的内容

对于 Parsing-2.0 的新场景，输出格式也做了定制：

• 流程图 →Mermaid语法（可以直接渲染）

• 乐谱 →ABC 记谱法（音乐人看得懂）

• 化学式 →SMILES格式（化学标准表示）

这意味着你拿到输出之后，不需要再做什么后处理，直接就能用。

怎么跑？

部署很简单：

conda create -n logics-parsing-v2 python=3.10
conda activate logics-parsing-v2
pip install -r requirements.txt

下载模型（HuggingFace 或 ModelScope 二选一）：

# HuggingFace
pip install huggingface_hub
python download_model_v2.py -t huggingface


 # ModelScope（国内更快）
pip install modelscope
python download_model_v2.py -t modelscope

推理一行搞定：

python3 inference_v2.py --image_path 你的图片路径 --output_path 输出目录 --model_path 模型路径

基于 Qwen3-VL 架构，对 GPU 有一定要求，但不算离谱。

实际效果展示

说了这么多数据，看几个实际效果：

扭曲文档识别——拍照角度歪斜、纸张弯曲，照样准确识别：

扭曲文档识别效果

STEM 文档——复杂的数学公式、物理图表，结构完整保留：

STEM 文档解析效果

代码块识别——不只是识别文字，还能保留代码结构：

代码块识别效果

流程图解析——识别流程图并转成 Mermaid 代码，可以直接渲染：

流程图解析效果

乐谱识别——这个真的是第一次在 OCR 模型里见到：

乐谱识别效果 总结

Logics-Parsing-v2 给我的感觉就是：OCR 这个赛道，终于有一个模型把"全能"两个字做到位了。

• 双 Benchmark 第一：LogicsDocBench 82.16，OmniDocBench-v1.5 93.23

• Parsing-2.0：流程图、乐谱、代码、化学式，传统 OCR 碰都不碰的东西它全能解

• 端到端单模型：不需要复杂 pipeline，图片进 HTML 出

• 开源免费：代码和模型全部开放

如果你在做文档数字化、论文解析、知识库构建这类工作，这个模型真的值得试试。

• GitHub：https://github.com/alibaba/Logics-Parsing

• HuggingFace 模型：https://huggingface.co/Logics-MLLM/Logics-Parsing-v2

• 在线 Demo：https://www.modelscope.cn/studios/Alibaba-DT/Logics-Parsing/summary

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！