下面来看一下字节最新开源的多模态文档解析方案。

Dolphin性能

创新点

• 两阶段解析架构：Dolphin采用了分析-解析范式，首先进行页面级布局分析，生成结构化布局元素序列，然后在第二阶段通过异构锚点提示进行并行内容解析。
• 端到端的文档解析，模型参数量小（300M+），易于落地
• 提供了数据合成的思路，大规模数据增强模型的泛化能力
• 提供了位置坐标，通过并行解析的方式加快了解析速度

模型架构与方法

Dolphin 的两阶段文档图像解析范式概述

模型架构

类似donut，基于VisionEncoderDecoderModel架构，视觉编码器：donut-swin + 解码器：mbart，因此可以看出，模型侧并没有什么创新，创新点主要在于数据构建策略上。

方法

分两个阶段：

1.1 第一阶段：页面级布局分析

(1) 图像编码（Page Image Encoding）

• 使用 Swin Transformer 提取文档图像的视觉特征，输出形状为 ，其中：

• • d 是嵌入维度
  • N 是图像被分割的 patch 数量

• 输入图像会被 调整大小并填充 到固定尺寸（如 896×896），以保持长宽比，避免文本变形。

(2) 布局序列生成（Layout Sequence Generation）

• 使用 mBart 解码器，在 布局分析提示（Playout） 的引导下，按阅读顺序生成文档元素的序列 L = {l₁, l₂, ..., lₙ}，其中每个元素 lᵢ 包含：

• • 类型（如文本段落、表格、公式）
  • 边界框（bounding box）

• 提示示例：

  Parse the reading order of this document.
  

---

1.2 第二阶段：元素级内容解析

(1) 元素图像编码（Element Image Encoding）：对第一阶段提取的每个元素 lᵢ，从原图中裁剪出对应的区域 Iᵢ，并用 Swin Transformer 编码，得到该元素的视觉特征。

(2) 并行内容解析（Parallel Content Parsing）：对每个裁剪后的元素图像 Iᵢ，结合 特定类型的提示（pᵢ），由解码器并行生成解析结果：

• 表格 → 使用 P_table 提示，解析为 HTML 格式
• 公式 → 使用 P_paragraph 提示（与文本段落相同），解析为 LaTeX 格式
• 文本段落 → 使用 P_paragraph 提示，解析为纯文本
• 提示示例：
• 表格解析：Parse the table in the image.
• 文本/公式解析：Read text in the image.

小结：并行解码的优势：并行处理多个元素，比串行解析更快（实验显示速度提升 ~2×）。每个元素的解析独立进行，减少长序列建模的误差累积。

---

1.3. 数据集构建

Dolphin 使用 3000万+ 样本 进行训练，涵盖多种文档类型和解析任务：

数据来源

• 混合文档：教育材料（试卷、教材）、出版物（杂志、报纸）、商业文档（PPT、报告）。
• HTML：从维基百科渲染生成，增强视觉多样性。
• LaTeX：从 arXiv 论文提取，保留结构信息。
• Markdown：从 GitHub 渲染，支持表格和公式。
• 表格 & 公式：PubTabNet、PubTab1M（表格）、arXiv 公式（LaTeX 渲染）。

实验性能

如何学习大模型 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。

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】