Dolphin-v2 — 可扩展锚点提示（字节，2026）
📄 原文：arXiv:2602.05384 · PDF
⭐ 治了 v1 两个坑：① 只能处理数字文档 → 支持拍摄/畸变文档；② 轴对齐框不够 → 绝对像素坐标 + 21 类元素。对检测前端检测的鲁棒性设计很有参考。
一句话
延续 dolphin 的 anchor prompting，两阶段升级：第一阶段做**更细粒度元素检测（21 类）
- 阅读顺序 + 语义属性抽取**（如作者信息）；第二阶段混合解析策略——数字文档/拍摄文档区别对待， 用绝对像素坐标处理畸变，元素级并行。
相比 v1 的关键改进
- 通用文档：不只数字 PDF，拍摄/扫描/畸变文档也行（两阶段做文档类型感知）。
- 绝对像素坐标取代轴对齐 bbox：能表达旋转/透视畸变下的元素位置（拍摄文档必需）。
- 21 类细粒度元素 + 语义属性（author 等）：检测粒度更细，直接出结构化属性。
- hybrid parsing：按文档类型切换解析策略。
- anchor 框架天然可扩展新元素类型。
⭐ 给检测前端 DETR 的可复用设计
- 别用轴对齐 bbox：真实文档（拍摄/扫描）有旋转透视，检测前端 DETR 应支持旋转框/四点坐标/ 绝对像素，否则畸变文档检测垮。DETR query 出多点坐标比出 (x,y,w,h) 更通用。
- 细粒度类别 + 语义属性：检测阶段就多分类（21 类）并顺带抽属性，减轻后端负担。
- 文档类型感知：前端可先判文档类型（数字/拍摄）再分流不同处理，鲁棒性大增。
- anchor 框架可扩展：新元素类型只加 prompt/类别，不重训整体——设计前端时预留这种扩展性。
关联
- 前身：dolphin
- 同细粒度检测思路：mineru2.5
- 前端骨架：dino-detr（旋转框/多点可在 query 头部扩展）
- 基准：omnidocbench