一个端到端 Vision-Language 模型，直接把文档图像 → 结构化 HTML（含公式、表格、化学式、手写），取代传统多模块 OCR Pipeline。一、核心价值维度传统方案Logics-Parsing架构多模块串行（布局→OCR→抽取→后处理）单一 VLM 模型端到端输出误差累积高（每步错，全盘崩）低（全局联合建模）输出纯文本 / 分立结构结构化 HTML（含 bbox、类别、语义）特殊内容处理公式/化学/手写 → 需专用模块原生支持，可输出 SMILES / MathML部署复杂度高（多系统集成）低（一个模型，一键推理）优势：科学文档（论文、实验笔记、化学报告）解析 SOT...