Dolphin: 基于异构锚点提示的文档图像解析

Dolphin（Document Image Parsing via Heterogeneous Anchor Prompting）是一个创新的多模态文档图像解析模型（0.3B），采用”分析-解析”的两阶段范式。本仓库包含Dolphin的演示代码和预训练模型。

📑 概述

由于文档图像中文本段落、图表、公式和表格等元素的复杂交织，文档图像解析具有挑战性。Dolphin通过两阶段方法解决这些挑战：

🔍 第一阶段：通过按自然阅读顺序生成元素序列进行全面的页面级布局分析
🧩 第二阶段：使用异构锚点和任务特定提示高效并行解析文档元素

Dolphin在多样化的页面级和元素级解析任务中取得了优异的性能，同时通过其轻量级架构和并行解析机制确保了卓越的效率。

📅 更新日志

🔥 2025.12.12 Dolphin-v2 开源！支持 21 类元素检测、属性字段提取、代码专用解析，以及拍照文档解析。（原1.5版本已迁移至v1.5分支）
🔥 2025.10.16 Dolphin-1.5 开源！在保持轻量级0.3B架构的同时，该版本实现了显著的解析性能提升。（原1.0版本已迁移至v1.0分支）
🔥 2025.07.10 Fox-Page 基准测试开源。这是原始 Fox 数据集人工矫正标注后的版本。下载地址：百度网盘 | Google Drive。
🔥 2025.06.30 新增TensorRT-LLM支持，提升推理速度！
🔥 2025.06.27 新增vLLM支持，提升推理速度！
🔥 2025.06.13 新增多页PDF文档解析功能。
🔥 2025.05.21 我们的演示已在链接发布。快来体验吧！
🔥 2025.05.20 Dolphin的预训练模型和推理代码已发布。
🔥 2025.05.16 我们的论文已被ACL 2025接收。论文链接：arXiv。

📈 性能表现

OmniDocBench (v1.5) 测试基准上评估结果
模型	参数	总体↑	文本^Edit↓	公式^CDM↑	表格^TEDS↑	表格^TEDS-S↑	阅读顺序^Edit↓
Dolphin	0.3B	74.67	0.125	67.85	68.70	77.77	0.124
Dolphin-1.5	0.3B	85.06	0.085	79.44	84.25	88.06	0.071
Dolphin-v2	0.3B	89.78	0.054	87.63	87.02	90.48	0.054

🛠️ 安装

克隆仓库：

git clone https://github.com/ByteDance/Dolphin.git
cd Dolphin

安装依赖：
```
pip install -r requirements.txt
```

使用以下选项之一下载 Dolphin-v2 的预训练模型：访问我们的Huggingface 模型卡片，或通过以下方式下载模型：

# 从Hugging Face Hub下载模型
git lfs install
git clone https://huggingface.co/ByteDance/Dolphin-v2 ./hf_model
# 或使用Hugging Face CLI
pip install huggingface_hub
huggingface-cli download ByteDance/Dolphin-v2 --local-dir ./hf_model

⚡ 推理

Dolphin提供两个推理框架，支持两种解析粒度：

页面级解析：将整个文档页面解析为结构化的JSON和Markdown格式
元素级解析：解析单个文档元素（文本、表格、公式）

📄 页面级解析

# 处理单个文档图像
python demo_page.py --model_path ./hf_model --save_dir ./results \
    --input_path ./demo/page_imgs/page_1.png 

# 处理单个文档PDF
python demo_page.py --model_path ./hf_model --save_dir ./results \
    --input_path ./demo/page_imgs/page_6.pdf 

# 处理目录中的所有文档
python demo_page.py --model_path ./hf_model --save_dir ./results \
    --input_path ./demo/page_imgs 

# 使用自定义批次大小进行并行元素解码
python demo_page.py --model_path ./hf_model --save_dir ./results \
    --input_path ./demo/page_imgs \
    --max_batch_size 8

🧩 元素级解析

# 解析块图像 (支持块图像类型: table, formula, text, or code)
python demo_element.py --model_path ./hf_model --save_dir ./results \
    --input_path  \
    --element_type [table|formula|text|code]

🎨 元素定位及阅读顺序解析

# 处理单个文档图像
python demo_layout.py --model_path ./hf_model --save_dir ./results \
    --input_path ./demo/page_imgs/page_1.png \
    
# 处理单个文档PDF
python demo_layout.py --model_path ./hf_model --save_dir ./results \
    --input_path ./demo/page_imgs/page_6.pdf \

# 处理目录中的所有文档
python demo_layout.py --model_path ./hf_model --save_dir ./results \
    --input_path ./demo/page_imgs

🌟 主要特性

🔄 基于单一VLM的两阶段分析-解析方法
📊 在文档解析任务上的优异性能
🔍 自然阅读顺序元素序列生成
🧩 针对不同文档元素的异构锚点提示
⏱️ 高效的并行解析机制
🤗 支持Hugging Face Transformers，便于集成

📮 通知

征集不良案例： 如果您遇到模型表现不佳的案例，我们非常欢迎您在issue中分享。我们正在持续优化和改进模型。

💖 致谢

我们要感谢以下开源项目为本工作提供的灵感和参考：

📝 引用

如果您在研究中发现此代码有用，请使用以下BibTeX条目。

@article{feng2025dolphin,
  title={Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting},
  author={Feng, Hao and Wei, Shu and Fei, Xiang and Shi, Wei and Han, Yingdong and Liao, Lei and Lu, Jinghui and Wu, Binghong and Liu, Qi and Lin, Chunhui and others},
  journal={arXiv preprint arXiv:2505.14059},
  year={2025}
}