UniRec-0.1B — 0.1B 统一文本/公式识别（复旦，2025）
📄 原文：arXiv:2512.21095 · PDF
⭐ OpenDoc-0.1B 系统背后的识别核心。0.1B 打过大模型靠两招：层次监督 + 语义解耦 tokenizer。对AR OCR 后端 做极小高精识别器直接可用。
一句话
0.1B 参数统一识别模型，多层级做文本 + 公式（+表格）识别。两个关键设计： ① hierarchical supervision（层次监督，显式引导结构理解） ② semantic-decoupled tokenizer（语义解耦 tokenizer，把文本表示与公式表示分开）。 在 OmniDocBench 上以 0.1B 超过通用 VLM 和主流文档解析专家模型（且更快）。
注：没有名为 “OpenDoc” 的独立论文；OpenDoc-0.1B 是承载 UniRec + PP-DocLayoutV2 的解析系统， 本页记录其识别核心 UniRec-0.1B。
核心机制
- Hierarchical supervision：不只监督最终字符串，还在结构层级（行/公式块/表格结构） 上加监督信号，显式教模型”结构长什么样”，而非死记序列。
- Semantic-decoupled tokenizer：文本 token 和公式(LaTeX) token 分开表示， 避免二者互相干扰（模型常把公式当乱码文本、或把文本当公式）。
⭐ 给AR OCR 后端 的可复用设计
- 语义解耦 tokenizer 直接可搬：AR OCR 后端 同时出文本 + 公式 + 表格时，混在一个词表里会互相 污染（mineru2.5 早期也遇到公式被输出成 unicode）。给文本/公式/表格结构分设 token 空间 能显著减少这类错。
- 层次监督：识别不只监督最终字符串，也监督中间结构 → 后端对表格嵌套/公式结构更稳。
- 0.1B 够用：region-level 识别器（前端检测后逐元素识别）不需要大模型，0.1B 级 + 好设计 就能超大模型且快。适合检测定位后逐元素识别的轻量系统。
关联
- 后端识别同道：trocr、got-ocr2
- 公式/结构处理：nougat、mineru2.5
- 小模型高精：hunyuan-ocr、mineru2.5-pro
- 基准：omnidocbench