腾讯前几天在 Hugging Face 开源了 Youtu-Parsing-Omni，一个只有 5B 参数的全模态解析模型。我实测了一圈，来聊聊它到底解决了什么问题。
一、它解决了一个什么痛点
做过文档智能的人都知道，解析是个脏活累活：PDF 要一套工具、图表要一套、音视频又要一套，最后拼在一起 schema 还不统一。
Youtu-Parsing-Omni 的思路是：不管扔进来什么模态，统一吐回一套结构化 JSON。六类输入，一套输出：
- 文档页面：带边框的版面元素、文本、LaTeX 公式、表格、阅读顺序
- 自然图像：通用解析
- 图表：直接转成 Markdown 表格
- 流程图：转成 Mermaid 代码
- 几何图：点、线、弧与几何关系
- 音频/视频：带时间戳、说话人、语音识别结果、声学事件
二、成绩单解读
官方称在 OmniDocBench v1.6 上总分 96.96，OmniParsingBench 均分 75.08，是开源权重模型里最好的一档，仅次于 Gemini-3-Pro。
怎么理解这个成绩：文档解析这个赛道，开源和闭源的差距一直在缩小。5B 参数能摸到 Gemini-3-Pro 的尾巴，意味着本地化部署的文档智能第一次有了"够用且便宜"的选项——5B 参数，消费级显卡就能跑，数据不用出内网。
三、和现有方案的对比
市面上的开源解析方案（比如 MinerU、Marker 这类）大多是"文档专用"，音视频、图表要另接管线。Youtu 的差异化在于"全模态统一"：
- 优势：一套 schema，工程量小；多模态混合文档（比如带图表的财报 PDF + 配套电话会议录音）一次搞定
- 劣势：新模型，生态和社区案例还少；官方 benchmark 之外的实际表现需要自己测
选型建议：如果你的输入就是纯 PDF，现有方案也够；如果是混合模态，或者你在搭 RAG 需要统一的输入层，值得一试。
四、部署实操
Hugging Face 可直接下载权重，官方同时给了 vLLM 插件和推理示例。5B 参数意味着：
- 推理：单张 24G 显存绰绰有余，量化后要求更低
- 私有化：金融、医疗这种数据不能出内网的场景，这是关键优势
- 成本：相比调闭源多模态 API，长期跑批处理任务便宜一个量级
五、三个落地场景
- 财报/论文解析：PDF 扔进去，表格、公式一次性结构化。做投研、做学术综述的，这步以前全是人工。
- 会议资产沉淀：录音转写自带说话人区分和时间戳，直接进知识库。
- RAG 输入层：六种模态压进一套 schema，下游只用对接一种格式，管线复杂度直接降一半。
六、一句话总结
文档解析正在从"每种模态一个工具"走向"一个模型全搞定"。5B 参数 + 开源 + 全模态，Youtu-Parsing-Omni 是这个趋势里目前最值得试的开源选项。