一、中文PDF文档理解的不足
缺乏中文语料、图像与文本质量参差不齐
信息提取能力缺失
场景多样性不足
ViT+MLP+LLM架构的多模态大语言模型,在处理中文文档时无法满足实际应用中对中文文档理解的需求。
二、PP-DocBee的解决方案
2.1 丰富布局的文档数据合成
从学术论文、财务报告等专业领域筛选出复杂布局的中文PDF文档，利用文档解析工具构建包含文本、图像和公式等混合元素的单页文档图像数据集，保留原始文档的布局特征。
在问答对生成方面，采用OCR-LLM协作验证机制，利用PaddleOCR提取准确的布局结构和文本信息，再结合大型语言模型（ERNIE-Bot 4.0）的语义理解能力，通过设计合适的提示，让LLM基于OCR输出纠正基于上下文语义的OCR识别错误，并控制生成问答对的分布。
2.2 图表数据合成
总结了九种常见图表类型，并针对每种类型设计了图像生成和问答生成方案。
以面积图为例:
首先，获取高质量的英文图表数据作为种子数据
然后，开发参数化的中文图表图像生成引擎，利用LLM语义修改图表代码中的参数，如数值、坐标轴、颜色、图例、主题等，随机选择并改变图表主题
将图表上的文本翻译成中文，同时防止渲染问题，最终通过Matplotlib将代码渲染成图像，生成丰富的中文图表图像。
在问答生成方面
基于图表代码和数据表，设计数据-图表驱动的问答生成框架
从代码和数据表中提取统计特征作为问题素材，匹配预设的基于图表类型和任务类型的问答模板
再利用LLM进行语义扩展和逻辑验证，生成包含专业问题和准确答案的中文问答对。
2.3 表格数据合成
基于用于布局分析任务的表格数据（包括表格数据和HTML代码），设计了高质量问答生产策略。
通过建立HTML-表格双模态对齐机制，利用原始HTML表格结构作为基线信息设计层次化提示模板，提取表格主题和统计特征，生成符合认知逻辑的问答对。
2.4 模型架构的创新
PP-DocBee基于Qwen2-VL-2B模型进行开发，采用“ViT+MLP+LLM”架构，其中ViT负责图像处理以提取视觉特征，MLP对特征进行处理和整合，LLM则负责理解和生成文本。
数据预处理：
在处理图像时，Qwen2-VL采用基于patch的方法，将图像分割成多个小patch，每个patch通常为28×28像素，类似于Vision Transformer（ViT）。
在训练阶段，扩展了resize阈值范围，将上限从512像素提高到768像素，以丰富数据集的分辨率分布，从而为模型提供更全面的视觉特征谱。
在推理阶段，对于常规分辨率图像，按1.1到1.3的比例进行放大，低分辨率图像则保持原有预处理策略。
动态比例采样训练：
训练数据涵盖了多种文档理解数据集，包括通用VQA图像、OCR图像、图表、丰富文本文档、数学和复杂推理任务、合成数据以及纯文本数据。
通过实施动态数据比例采样机制，优化训练过程，并为不同数据和来源分配不同的采样权重，显著提高了高质量数据的训练比例，并平衡了不同数据集之间的数量差异。
OCR后处理：
在推理阶段，使用OCR工具或模型预先从图像中提取文本，将提取的文本作为辅助先验信息提供给图像问题。
具体而言，将OCR识别的文本添加到PP-DocBee模型的输入中，通过在原始问题前添加提示“使用图像和OCR结果作为上下文并回答以下问题：”，有效提升了模型在包含清晰且有限文本的图像上的性能。
三、PP-DocBee实战
在线体验地址：https://aistudio.baidu.com/application/detail/60135
python paddlemix/examples/ppdocbee/ppdocbee_infer.py \
--model_path "PaddleMIX/PPDocBee-2B-1129" \
--image_file "paddlemix/demo_images/medal_table.png" \
--question "识别这份表格的内容"
