Qianfan-OCR — Layout-as-Thought 统一端到端（百度千帆，2026）
📄 原文：arXiv:2603.13398 · PDF
⭐ Layout-as-Thought：端到端模型可选先”想”出版面（框+类型+阅读顺序）再出内容——把两段式的结构先验塞进单模型的 thinking 阶段。对 OCR 系统”要不要显式检测”这个核心抉择极有启发。
一句话
4B 端到端模型，统一 parsing + layout analysis + 文档理解。针对”端到端丢失显式版面分析”的痛点，
提出 Layout-as-Thought：⟨think⟩ 触发的可选思考阶段，模型先生成结构化 layout
（bbox + 元素类型 + 阅读顺序）再出最终结果。OmniDocBench v1.5 端到端模型第一。
核心机制
- Layout-as-Thought：把”版面分析”变成 CoT 里的思考步——不是独立检测模块，而是解码时 先吐结构化 layout 表示，再基于它生成内容。
- 两个好处：① 恢复了 pipeline 用户依赖的显式 layout（可拿到框/类型/顺序）； ② 对复杂/杂乱/非常规阅读顺序的文档，结构先验帮助消歧，识别更准。
- 可选：简单文档可跳过 thinking 直接出结果，省算力。
⭐ 用于架构抉择的关键启发
- “隐式检测” vs “显式前端 DETR” 的中间路线：Qianfan 不用独立检测器，而让同一个 AR 模型 先生成 layout 再生成内容（layout 当 thought）。这是两段式设计架构的对照方案—— 值得想：目标系统的前端 DETR 相比”AR 先吐 layout”，优势是（并行、专门优化、精确框）、 劣势是（多一个模块、拼接误差）。
- 结构先验消歧：无论显式检测还是 layout-as-thought，“先定结构再识别内容”都能提升复杂版面 精度 → 印证你”先检测后生成”方向正确。
- 可选思考：后端 AR 可设计成”难文档才启用结构思考”，平衡精度与速度。
关联
- 显式两段对照：mineru2.5、paddleocr-vl、dolphin
- 阅读顺序/结构先验：logics-parsing、dots-ocr
- 基准：omnidocbench