企业官网建设流程全解析

HPD-Parsing性能实测：4752 TPS吞吐量碾压同类模型，OmniDocBench权威数据解读

【免费下载链接】HPD-Parsing项目地址: https://ai.gitcode.com/paddlepaddle/HPD-Parsing

飞桨PaddlePaddle / HPD-Parsing是一款轻量级（1B参数）且高吞吐量的文档解析模型，基于分层并行解码范式构建，在OmniDocBench v1.6权威评测中展现出卓越性能。

🚀 突破性吞吐量：4752 TPS的行业标杆

HPD-Parsing在OmniDocBench v1.6上实现了4,752 Tokens Per Second (TPS)的峰值吞吐量，这一数据意味着：

• 较现有最快文档解析模型提升1.62倍吞吐量
• 比自回归基线模型提升3.06倍效率
• 在NVIDIA A800 80GB显卡上，批处理大小512时，从1,554.8 TPS跃升至4,752.1 TPS

这种性能飞跃源于创新的分层并行解码架构——主布局分支协调全局文档结构，同时将局部内容生成动态分配给并发分支，配合Progressive Multi-Token Prediction (P-MTP)技术进一步减少解码步骤。文档越长，加速优势越显著，在最长输出长度场景下可实现：

• 18.04倍减少解码步骤
• 3.67倍提升请求吞吐量
• 5.80倍降低单请求延迟

📊 OmniDocBench v1.6权威评测表现

在业界公认的文档解析基准测试OmniDocBench v1.6中，HPD-Parsing不仅实现了94.91%的综合准确率，更在效率指标上树立新标准：

测试环境：NVIDIA A800 80GB，vLLM推理框架，批处理大小512。尽管HPD-Parsing每页处理约4,800输入 tokens（是DeepSeek-OCR-2的4倍以上），仍实现1.31×更高PPS和1.62×更高TPS。

🔧 性能复现指南

项目提供完整的吞吐量测试和准确率评估流程，通过eval/目录下的脚本实现infer -> convert -> evaluatepipeline：

1. 吞吐量测试：使用eval/benchmark_tps.py，基于定制vLLM构建（含分层并行解码+P-MTP推测解码）
2. 结果转换：通过eval/hpd_to_markdown.py将模型预测转换为OmniDocBench要求的markdown格式
3. 官方评估：参考eval/README.md配置OmniDocBench评估套件，获取文本/公式/表格/阅读顺序等细分指标

🧩 技术创新点解析

HPD-Parsing的性能突破源于对文档解析特性的深刻洞察：页面结构需要全局协调，而内容生成主要在局部区域内进行。这种架构设计带来：

• 并行化解码：打破传统VLM的单序列生成瓶颈
• 智能任务分配：全局布局与局部内容生成解耦
• 高效推理优化：P-MTP技术减少冗余解码步骤

📈 实际应用价值

对于需要处理海量文档的企业级应用，HPD-Parsing的高吞吐量特性可显著降低计算成本：

• 金融票据处理：缩短批量文档解析时间
• 学术论文分析：加速文献库结构化提取
• 数字化档案管理：提升大规模扫描件处理效率

通过eval/目录下的工具链，开发者可轻松复现性能指标，或将HPD-Parsing集成到自有文档处理流程中，体验4752 TPS带来的效率革命。

注：完整评测数据集和代码可通过以下方式获取：

git clone https://gitcode.com/paddlepaddle/HPD-Parsing

【免费下载链接】HPD-Parsing项目地址: https://ai.gitcode.com/paddlepaddle/HPD-Parsing