OCRia-1 · 4B 文档解析 VLM（LlamaParse）· 上手攻略

• 链接：https://x.com/jerryjliu0/status/2113291928292790725
• 分类：x-tips
• 来源 X 账号：@jerryjliu0（Jerry Liu，LlamaIndex CEO），原发于 2026-10-22
• 官方发布文：https://www.llamaindex.ai/blog/parse-ocria-1
• 作者：Jay
• 更新：2026-10-24
• 仓库：未发现公开权重仓库。HuggingFace 上以 "OCRIA" / "llama-index + OCRIA" 检索均无官方模型条目；官方只发布技术报告 PDF（https://www.llamaindex.ai/ocria/ocria-1-technical-report.pdf ，可访问）与博客中的 model card 图片，目前只能通过 LlamaParse 托管服务使用。

这是什么

OCRia-1 是 LlamaIndex 发布的 4B 参数文档解析视觉语言模型（VLM），不是通用多模态聊天模型，定位是把 PDF / 扫描件转成结构化 Markdown、HTML 表格与图表数据。

它的差异化在三点：

1. 复杂表格：嵌套表头、合并单元格、不规则网格、扫描件表格。
2. 无标注图表：折线 / 柱状 / 饼图 / 技术示意图，输出成带系列与标签对应关系的 HTML 数据表，而不是一句"营收全面增长"的概述。
3. 格式保真：保留上下标、删除线、勾选框，数学公式转 LaTeX。

原帖称它是 "frontier VLM for document parsing"，且已作为底座驱动 LlamaParse 的 cost-effective、agentic、agentic plus 三种模式，今天就能调用。

核验来源与数字出处

原帖与官方博客给出的分数一致，全部以官方博客 / 原帖为准：

同期被超越的同参数量级对手：LightOnOCR-3、Chandra-OCR 2、Mistral OCR 4.1、dots.mocr、olmOCR-2。

必须知道的两个前提：

• ParseBench 是 LlamaIndex 主导的基准（官网 parsebench.ai，论文 arXiv 2604.08538），属厂商自评体系，图表维度还依赖自家出题格式。
• olmOCR-bench 分数是"把所有模型统一到 1,288px 渲染后再比"调整后的结果，不是各模型默认渲染下的原生分数。
• 原帖称在准确率、成本、延迟三项同时 SOTA，但没有给出任何具体延迟或单页成本数值，博客只说"同样的价格"。想要成本/延迟对比，需自行去 parsebench.ai 的 cost-per-page 列或用自有文档实测。

上手步骤（走 LlamaParse 托管服务）

官方 Getting Started 文档给出的最小可用路径：

export LLAMA_CLOUD_API_KEY="llx-..."
pip install "llama-cloud>=2.8"

from llama_cloud import LlamaCloud

client = LlamaCloud()  # 自动读取 LLAMA_CLOUD_API_KEY
file = client.files.create(file="./doc.pdf", purpose="parse")
result = client.parsing.parse(
    file_id=file.id,
    tier="agentic",
    version="latest",
    expand=["markdown"],
)
print(result.markdown.pages[0].markdown)

client.parsing.parse() 会阻塞到任务结束并直接返回结果，SDK 自行轮询。要拿图表数据、表格展开等可调 output_options / processing_options：

result = client.parsing.parse(
    file_id=file.id,
    tier="agentic",
    version="latest",
    output_options={
        "markdown": {"tables": {"output_tables_as_markdown": True}},
        "images_to_save": ["screenshot"],
    },
    processing_options={"ocr_parameters": {"languages": ["en"]}},
    expand=["text", "markdown", "items", "images_content_metadata"],
)

TypeScript / Go / Java / CLI / REST / Web UI 有等价写法（见 https://developers.llamaindex.ai/llamaparse/parse/getting_started/index.md）。

重要限制：官方文档中没有名为 OCRia-1 的模型选择参数或开关。选择哪条解析路径由 tier 决定（cost-effective / agentic / agentic plus）。也就是说，OCRia-1 是这些模式背后的底座，你不能显式点名调用它，也无法在请求里切换到别的底座模型。

适用边界

适合：财报 / 税务 / 招股书这类复杂表格密集文档；扫描版 PDF；技术图表转数据；统一的企业级批量解析（"每页处理几十亿页"是官方宣传口径，未给出实测吞吐）。

不适合 / 需要留意：

• 需要精确图表数值的场景：ParseBench 图表维度要求"数值落在正确的行列标题下"才得分，且给出了 1% 容差，误差容忍度比肉眼读图严苛得多。
• 学术论文里的公式排版：原帖强调 LaTeX 转写，但未给出公式维度的独立分数（博客只有格式维度 83.4，公式包含其中）。
• 无法自托管：未见公开权重，无法本地部署，也没法做私有化微调或离线推理。
• 基准可复现性存疑：ParseBench 为厂商自建，渲染策略、评分方式由其定义；跨厂商对比需自己拉同一批文档跑一遍。
• 成本硬上限未知：企业大规模场景官方提到"预约 demo 可获最高 $3k 额度"，属于 POC 补贴，不是通用折扣承诺。
• 多语言：PulseBench-Tab 是多语言表格基准（1,820 张表），OCRia-1 84.1 领先但非断层，中日韩复杂表格建议自行抽样验证。

不确定处

• 原帖与博客均未披露 OCRia-1 的单页价格、每秒页数、上下文长度、权重许可协议。
• 未找到官方模型卡的可点击链接（博客中 model card 以图片形式嵌入），因此无法确认是否附带开源权重计划。
• 技术报告 PDF 未在本次核验中逐页阅读，仅确认可访问（HTTP 200）。
• tier 各档位与 OCRia-1 的确切对应关系（哪些模式用 OCRia-1、哪些仍走其他模型）未在公开文档中说明。