Baidu lança Qianfan-OCR — um modelo 4B para reconhecimento e compreensão de documentos

Baidu представила Qianfan-OCR — унифицированную 4B-модель для работы с документами, которая объединяет распознавание текста, анализ структуры и понимание содержимого. Вместо классического OCR-конвейера из нескольких этапов система сразу превращает изображение документа в структурированный Markdown и умеет выполнять задачи по запросу пользователя.

Почему рынок уходит от OCR-конвейеров

Классические OCR-системы обычно собираются из нескольких независимых блоков: один ищет области на странице, другой распознаёт текст, третий пытается понять таблицы, заголовки и порядок чтения. Такой подход работает, пока документ простой, но начинает ломаться на сложной вёрстке, сканах, формах, смешанном контенте, нестандартных макетах и многостраничных файлах. Чем больше шагов в цепочке, тем выше риск, что ошибка на раннем этапе испортит весь результат.

На этом фоне Baidu Qianfan делает ставку на единый vision-language подход. Qianfan-OCR должна не просто считывать символы, а воспринимать документ как цельный объект: с блоками, структурой, логикой и смыслом. Для компаний это важный сдвиг, потому что бизнесу обычно нужен не текст сам по себе, а готовые данные, с которыми можно дальше работать в поиске, аналитике, автоматизации и внутренних AI-сценариях, включая production-процессы.

Что умеет

Qianfan-OCR По описанию команды, это end-to-end модель на 4 млрд параметров, которая объединяет разбор документа, layout analysis и document understanding в одной архитектуре. Главное отличие от привычного OCR в том, что модель не опирается на длинный набор последовательно соединённых модулей. Вместо этого она получает изображение на вход и сразу выдаёт структурированный результат, включая преобразование image-to-Markdown.

Это сокращает число промежуточных преобразований существенно. Отдельно выделяется prompt-driven логика. То есть модель можно использовать не только для базового распознавания, но и для прикладных задач, когда пользователь формулирует, что именно нужно извлечь из документа.

В статье прямо упоминаются сценарии с извлечением таблиц и ответами на вопросы по документу. Это приближает OCR не к архивному инструменту для сканов, а к интерфейсу работы с корпоративными файлами в рабочих пайплайнах компаний. Формат Markdown здесь тоже важен.

Для команд, которые строят базы знаний, AI-поиск или пайплайны для LLM, недостаточно просто получить текст без структуры. Нужны заголовки, списки, таблицы и логичный порядок блоков. Если модель сразу отдаёт документ в удобном для машинной обработки виде, это сокращает объём постобработки и делает результат пригоднее для автоматической индексации, суммаризации и последующего вопросно-ответного слоя.

Для интеграции это заметный плюс.

• Прямое преобразование изображения документа в Markdown Анализ структуры страницы без отдельного пайплайна из нескольких модулей Извлечение таблиц по запросу пользователя Ответы на вопросы по содержимому документа Единая модель вместо набора разрозненных компонентов ## Где это пригодится Практический смысл таких моделей в том, что они сокращают число промежуточных операций между документом и полезным действием. Если система действительно стабильно понимает layout, текст и смысл в одном проходе, это упрощает обработку договоров, инструкций, отчётов, анкет, презентаций и внутренних баз знаний. Особенно это актуально для команд, которые хотят автоматически переводить PDF и сканы в формат, пригодный для RAG, поиска по знаниям или последующего анализа LLM. Для разработчиков и продуктовых команд важен ещё один момент: унификация снижает инженерную сложность. Вместо поддержки нескольких OCR- и post-processing-сервисов можно строить более короткий стек. Это не гарантирует идеальное качество на каждом типе документа, но направление понятно: рынок движется от набора специализированных детекторов к крупным моделям, которые работают с документом как с мультимодальным объектом и сразу готовят его для downstream-задач, а также быстрее запускают новые сценарии.

Что это значит

Qianfan-OCR показывает, что OCR быстро превращается из узкой технологии распознавания символов в слой документного интеллекта. Если такие модели подтвердят качество в реальных сценариях, компаниям будет проще автоматизировать работу с документами без сложных многоэтапных пайплайнов и ручной сборки отдельных компонентов. Выиграют прежде всего те команды, которым нужен быстрый переход от PDF и сканов к данным, готовым для поиска, аналитики и AI-ассистентов.