💡 站外导读：在数字化办公浪潮中，企业每天面对海量文档的处理压力——合同、报告、学术论文混杂着表格、公式和图表，传统OCR工具难以精准解析复杂版式，而GPT-4等通用大模型则存在成本高、速度慢的痛点。行业迫切需要一款既能精准理解文档结构，又足够轻量高效的专用模型。字节跳动开源的Dolphin应运而生，以322M的极小参数量和两阶段解析架构，直击文档智能处理的核心需求，为企业降本增效提供了全新技术路径。
Dolphin是什么
Dolphin 是字节跳动开源的轻量级、高效的文档解析大模型。基于先解析结构后解析内容的两阶段方法，第一阶段生成文档布局元素序列，第二阶段用元素作为锚点并行解析内容。Dolphin在多种文档解析任务上表现出色，性能超越GPT-4.1、Mistral-OCR等模型。Dolphin 具有322M参数，体积小、速度快，支持多种文档元素解析，包括文本、表格、公式等。Dolphin的代码和预训练模型已公开，方便开发者使用和研究。
Dolphin的主要功能
- 布局分析：识别文档中的各种元素（如标题、图表、表格、脚注等），按照自然阅读顺序生成元素序列。
- 内容提取：将整个文档页面解析为结构化的JSON格式或Markdown格式，便于后续处理和展示。
- 文本段落解析：准确识别和提取文档中的文本内容，支持多语言（如中文和英文）。
- 公式识别：支持复杂公式的识别，包括行内公式和块级公式，输出LaTeX格式。
- 表格解析：支持解析复杂的表格结构，提取单元格内容并生成HTML格式的表格。
- 轻量级架构：模型参数量为322M，体积小，运行速度快，适合在资源受限的环境中使用。
- 支持多种输入格式：支持处理多种类型的文档图像，包括学术论文、商业报告、技术文档等。
- 多样化的输出格式：支持将解析结果输出为JSON、Markdown、HTML等多种格式，便于与不同系统集成。
Dolphin的技术原理
- 页面级布局分析：用Swin Transformer对输入的文档图像进行编码，提取视觉特征。基于解码器生成文档元素序列，每个元素包含其类别（如标题、表格、图表等）和坐标位置。这一阶段的目标是按照自然阅读顺序生成结构化的布局信息。
- 元素级内容解析：根据第一阶段生成的布局信息，从原始图像中裁剪出每个元素的局部视图。用特定的提示词（prompts），对每个元素进行并行内容解析。例如，表格用专门的提示词解析HTML格式，公式和文本段落共享提示词解析LaTeX格式。解码器根据裁剪后的元素图像和提示词，生成最终的解析内容。
Dolphin的项目地址
- GitHub仓库：https://github.com/bytedance/Dolphin
- HuggingFace模型库：https://huggingface.co/ByteDance/Dolphin
- arXiv技术论文：https://arxiv.org/pdf/2505.14059
- 在线体验Demo：http://115.190.42.15:8888/dolphin/
Dolphin的应用场景
- 学术研究：解析论文中的文本、公式和图表，助力文献整理和数据分析。
- 商业办公：提取商业文档的关键信息，便于合同审查和报告生成。
- 教育领域：将教材和试卷数字化，支持在线学习和多语言教学。
- 技术开发：解析技术文档，方便代码管理和技术交流。
- 日常应用：快速处理日常文档，提高办公效率。
📝 站长洞察 (Editor’s Insight)
Dolphin的发布标志着文档AI进入’专用小模型’时代。当行业仍在追逐千亿参数大模型时，字节跳动用322M参数证明了在垂直场景中，精巧的架构设计比暴力堆参数更重要。其两阶段方法——先布局识别再内容解析——模拟了人类阅读文档的认知过程，这种’先见森林再见树木’的范式值得整个AIGC领域借鉴。从产业视角看，文档解析是企业数字化的’最后一公里’，Dolphin的轻量化特性使其能嵌入边缘设备和私有化部署场景，这恰恰是金融、政务等敏感行业的刚需。值得关注的是，开源策略将加速生态构建，未来围绕Dolphin可能衍生出文档智能中台、合规审查工具等商业变现场景。字节此举不仅是技术输出，更是以开源生态抢占企业服务入口的战略卡位。
