HPD-Parsing：让文档解析从串行生成走向分层并行

导语

文档解析正在从传统 OCR 管线转向统一的视觉语言模型（VLM）方案：模型直接读取整页图像，并输出结构化文本、版面关系或可编辑内容。这类统一解析器的优势是端到端、上下文更完整，但也有一个明显代价——输出通常仍沿着一条自回归轨迹逐 token 生成。页面越长、表格和段落越多，串行解码带来的等待时间就越明显。

PaddleOCR 团队提出的 HPD-Parsing（Hierarchical Parallel Document Parsing）正是针对这一瓶颈。它的出发点很直观：解析文档时，页面布局确实需要全局判断；但一旦版面块被识别出来，多个段落、标题、表格单元或局部内容并不天然要求排队生成。

核心要点

• 从整页串行到分层并行：现有统一解析器通常把整页输出压在同一条 token-by-token 路径上。HPD-Parsing 改为“主布局分支 + 多个内容分支”的层级结构。
• 主分支负责全局协调：布局分支先组织页面整体结构，决定文档中不同块之间的关系，并动态分派块级内容解析任务。
• 内容分支并发解码：被分派的块级内容可以同时生成，避免所有内容都等待同一条自回归序列推进。
• P-MTP 进一步减少步数：论文还引入 progressive multi-token prediction，让每个分支内部也能减少解码轮次，而不是完全依赖逐 token 输出。
• 速度收益明确：在公开基准上，HPD-Parsing 达到 4,752 tokens/s，吞吐量是此前最快文档解析模型的 2.62 倍，也是普通自回归基线的 3.06 倍，同时保持有竞争力的解析准确率。

意义与影响

HPD-Parsing 的价值不只是“更快”。它把文档解析任务重新拆解为两个层级：全局布局理解与局部内容转写。这个拆解更符合文档本身的结构，也为 VLM 文档解析提供了不同于整页自回归生成的新路线。

对于实际应用，吞吐量提升意味着批量票据、合同、论文、报告等场景可能获得更低延迟和更高处理密度。尤其在长文档或复杂版面中，单一路径生成的成本会随输出长度增长，而分层并行有机会把可并发的部分提前释放出来。

当然，摘要中没有展开不同文档类型、硬件设置或错误模式的细节，因此还需要结合完整论文评估其泛化能力。但从方法方向看，HPD-Parsing 提醒业界：统一 VLM 解析不必等同于单线程式输出。让模型像团队协作一样先统筹、再并行执行，可能会成为高效文档智能系统的重要设计原则。

来源：Hugging Face Daily Papers