HPD-Parsing：分层并行文档解析

高效的团队合作通常将全局协调与并行执行相结合，这一原则尚未在基于统一视觉语言模型 (VLM) 的文档解析器中得到充分体现。现有的统一解析器联合处理整个页面，但通过单个标记到标记的自回归轨迹生成其输出，从而创建了随着文档长度而增长的顺序瓶颈。这种全页顺序生成忽略了文档解析的一个关键属性：布局必须进行全局分析，而块内容可以并行解析。基于这一观察，我们引入了 HPD 解析，它用分层并行解码范例取代了整页自回归生成。主布局分支组织整个文档结构，并将块级内容解码动态分配给并发分支，而渐进式多词元预测 (P-MTP) 进一步减少每个分支内的解码步骤。公共基准测试表明，HPD-Parsing 每秒可处理 4,752 个词元，提供最快现有文档解析模型吞吐量的 2.62倍和普通自回归基线的 3.06倍吞吐量，同时保持具有竞争力的解析精度。这些结果确立了分层并行解码作为全页自回归生成的有效替代方案，为高效的统一文档解析开辟了新方向。