腾讯发布5B全模态解析模型
腾讯优图实验室在Hugging Face发布Youtu-Parsing-Omni，这是一个5B参数的全模态解析模型，可将文档页面、自然图像、图表与流程图、几何图形、音频及音视频视频统一解析为一个结构化JSON输出，具体输出类型由任务提示选择。模型卡称其用单一编码器处理图像、音频与音视频交叠输入，并附带vLLM插件、固定的推理配置、任务提示和示例。腾讯自报该模型在OmniDocBench v1.6上取得96.96总体成绩，在OmniParsingBench上以75.08均值成为最佳开放权重模型、仅次于Gemini-3-Pro，并在化学结构与乐谱识别上与专用模型相当；上述基准均为厂商自报，未提供独立验证。
若自报结果成立，5B规模模型即可在文档解析基准上比肩专用模型，并以统一schema覆盖文档、图像、音频和视频的结构化提取，为需要自托管部署的团队提供开放权重选项。
tencent/Youtu-Parsing-Omni Image-Text-to-Text • 5B • Updated 1 day ago • 3.05k • 122
license: other license_name: youtu-parsing license_link: https://huggingface.co/tencent/Youtu-Parsing-Omni/blob/main/LICENSE library_name: transformers pipeline_tag: image-text-to-text tags:
- document-parsing
- ocr
- omni
- multimodal
- audio
- video
- custom_code
#Tencent#Tencent Youtu Lab#Youtu-Parsing-Omni#Hugging Face#vLLM#OmniDocBench#OmniParsingBench#Gemini-3-Pro#ChemOCR#PDMX-Synth