百度飞桨开源 HPD-Parsing：高吞吐层级并行文档解析技术
百度PaddleOCR团队开源HPD-Parsing，采用层级并行解码机制，将文档解析从串行改为全局协调、局部并行模式。基于InternVL3.5-1B模型，在OmniDocBench v1.6评测集中Token吞吐提升3倍以上，单卡A800实测TPS达4,752.1，解码步数最高压缩18倍，有效缓解长文档解析效率瓶颈。
事件概述
百度飞桨（PaddleOCR）团队近日开源了 HPD-Parsing（Hierarchical Parallel Document Parsing，层级并行文档解析）技术。该技术改变了传统自回归文档解析“一条序列从头写到尾”的模式，采用“全局协调、局部并行”机制：主线布局分支统一理解页面结构，将不同区域动态分发至多个内容分支进行并行解析，并结合渐进式多 token 预测，进一步减少各分支解码步骤，实现多层级高度并行解析。
核心性能数据
HPD-Parsing 以 InternVL3.5-1B 模型为基础。在单卡 NVIDIA A800 GPU 上，OmniDocBench v1.6 评测集的 Token 吞吐（TPS）达到 4,752.1，相较传统自回归基线（TPS 1,554.8）提升超 3 倍；页吞吐（PPS）从 1.02 提升至 2.68。在 512 并发测试中，随着输出序列增长，HPD-Parsing 相对自回归模型的优势持续扩大：解码步数最高压缩 18.04 倍，批量请求吞吐最高提升 3.67 倍，单并发推理时延最高下降 5.8 倍。
技术特点与适用场景
HPD-Parsing 从解码机制上缓解了传统自回归解析中“文档越长、等待越久”的结构性瓶颈。页面越复杂、可并行解析的区域越多，其效率优势越明显。在扫描文档场景中，OmniDocBench v1.6 指标达 94.91%。官方建议：对推理效率有强需求的扫描文档场景用户可部署体验；若对解析效果有更高要求，仍推荐使用 PaddleOCR-VL 系列。
开源与获取
HPD-Parsing 已开源，模型及详细介绍可在 Hugging Face 上获取：HPD-Parsing