什么是用于文档筛选的开源大语言模型？
用于文档筛选的开源大语言模型是专门设计的大型语言模型，旨在分析、理解并从各种文档格式（包括文本文档、PDF、扫描图像、表格、图表和表单）中提取信息。这些视觉语言模型将先进的自然语言处理与光学字符识别（OCR）及视觉理解能力相结合，以处理复杂的文档布局、提取结构化数据、识别关键信息并自动化文档审查工作流。它们使开发者和组织能够构建智能文档处理系统，以前所未有的准确性和效率处理发票处理、合同分析、表单提取、合规性筛选和自动化文档分类等任务。
GLM-4.5V
GLM-4.5V是智谱AI发布的最新一代视觉语言模型（VLM），基于专家混合（Mixture-of-Experts）架构构建，总参数量为1060亿，激活参数量为120亿。该模型擅长处理包括图像、视频和长文档在内的多样化视觉内容，其3D-RoPE等创新技术显著增强了其感知和推理能力。它具有一个“思考模式”开关，可实现灵活响应，并在41个公开多模态基准测试中，在同等规模的开源模型中达到了最先进的性能。
GLM-4.5V：先进的多模态文档理解
GLM-4.5V是智谱AI发布的最新一代视觉语言模型（VLM）。该模型基于旗舰文本模型GLM-4.5-Air构建，总参数量为1060亿，激活参数量为120亿，并利用专家混合（MoE）架构以更低的推理成本实现卓越性能。技术上，GLM-4.5V延续了GLM-4.1V-Thinking的技术路线，并引入了3D旋转位置编码（3D-RoPE）等创新，显著增强了其对3D空间关系的感知和推理能力。通过在预训练、监督微调和强化学习阶段的优化，该模型能够处理图像、视频和长文档等多样化的视觉内容，在41个公开多模态基准测试中，在同等规模的开源模型中达到了最先进的性能。此外，该模型还设有一个“思考模式”开关，允许用户在快速响应和深度推理之间灵活选择，以平衡效率和效果。在SiliconFlow上，定价为输出令牌每百万$0.86，输入令牌每百万$0.14。
优点
- 拥有66K上下文长度，具备卓越的长文档理解能力。
- 创新的3D-RoPE增强了空间关系感知能力。
- “思考模式”可对复杂文档进行深度推理分析。
缺点
- 与一些较新的模型相比，上下文窗口较小。
- 可能需要专业知识来优化“思考模式”的使用。
我们为什么喜欢它
- 它将强大的文档理解能力与灵活的推理模式相结合，使其成为需要兼顾速度和深度分析的复杂文档筛选任务的理想选择。
Qwen2.5-VL-72B-Instruct
Qwen2.5-VL-72B-Instruct是Qwen2.5系列中的一款视觉语言模型，拥有720亿参数和131K上下文长度。它展示了卓越的视觉理解能力，在分析图像中的文本、图表和布局的同时能够识别常见物体。该模型可作为一个能够推理并动态指挥工具的视觉智能体，能理解超过1小时的视频，准确定位图像中的物体，并支持对发票和表单等扫描数据的结构化输出。
Qwen2.5-VL-72B-Instruct：全面的文档处理利器
Qwen2.5-VL是Qwen2.5系列中的一款视觉语言模型，在多个方面表现出显著提升：它具有强大的视觉理解能力，在分析图像中的文本、图表和布局的同时能够识别常见物体；它可作为一个能够推理并动态指挥工具的视觉智能体；它能理解超过1小时的视频并捕捉关键事件；它通过生成边界框或点来准确定位图像中的物体；并且它支持对发票和表单等扫描数据的结构化输出。该模型在包括图像、视频和智能体任务在内的各种基准测试中表现出色。凭借720亿参数和131K的上下文长度，它提供了全面的文档理解和提取能力。在SiliconFlow上，定价为输出令牌和输入令牌均为每百万$0.59。
优点
- 131K的大上下文窗口可处理超长文档。
- 在文档内进行卓越的文本、图表和布局分析。
- 支持对发票、表单和表格进行结构化输出。
缺点
- 由于拥有720亿参数，计算要求较高。
- 与较小模型相比，定价更高。
我们为什么喜欢它
- 它擅长从复杂文档中提取结构化数据，并支持全面的视觉理解，是企业级文档筛选应用的完美选择。
DeepSeek-VL2
DeepSeek-VL2是一款混合专家（MoE）视觉语言模型，总参数量为270亿，激活参数量仅为45亿，采用稀疏激活的MoE架构以实现卓越效率。该模型在视觉问答、光学字符识别、文档/表格/图表理解和视觉定位方面表现出色。与同类模型相比，它使用更少的激活参数即可达到具有竞争力或最先进的性能，使其在文档筛选应用中具有极高的成本效益。
DeepSeek-VL2：高效的文档智能
DeepSeek-VL2是一款基于DeepSeekMoE-27B开发的混合专家（MoE）视觉语言模型，采用稀疏激活的MoE架构，仅用45亿激活参数便实现了卓越性能。该模型在视觉问答、光学字符识别、文档/表格/图表理解和视觉定位等多种任务中表现出色。与现有的开源密集模型和基于MoE的模型相比，它使用相同或更少的激活参数即可达到具有竞争力或最先进的性能。这使其在OCR准确性和文档结构理解至关重要的文档筛选任务中效率极高。该模型的高效架构能够在保持对不同文档类型高准确率的同时，实现更快的推理速度。在SiliconFlow上，定价为输出令牌和输入令牌均为每百万$0.15。
优点
- 仅有45亿激活参数，效率极高。
- 卓越的OCR和文档理解能力。
- 出色的文档、表格和图表理解能力。
缺点
- 4K的较小上下文窗口限制了长文档处理。
- 处理极其复杂的多页文档时可能效果不佳。
我们为什么喜欢它
- 它以极低的计算成本提供了卓越的OCR和文档理解性能，是高通量文档筛选应用的理想选择。
文档筛选大语言模型对比
在此表格中，我们比较了2025年领先的文档筛选开源大语言模型，每一款都有其独特优势。GLM-4.5V提供灵活的思考模式用于深度文档分析；Qwen2.5-VL-72B-Instruct拥有最大的上下文窗口，可提供全面的结构化数据提取；而DeepSeek-VL2则以卓越的效率提供杰出的OCR和文档理解能力。这种并排比较有助于您根据具体的文档筛选需求选择合适的模型。
| 序号 | 模型 | 开发者 | 子类型 | SiliconFlow定价 | 核心优势 |
|---|---|---|---|---|---|
| 1 | GLM-4.5V | 智谱AI | 视觉语言模型 | 每百万令牌 $0.86/$0.14 | 用于复杂分析的“思考模式” |
| 2 | Qwen2.5-VL-72B-Instruct | 通义千问 | 视觉语言模型 | 每百万令牌 $0.59/$0.59 | 131K上下文和结构化输出 |
| 3 | DeepSeek-VL2 | 深度求索 | 视觉语言模型 | 每百万令牌 $0.15/$0.15 | 卓越的OCR效率 |
常见问题解答
我们2025年文档筛选的前三名是GLM-4.5V、Qwen2.5-VL-72B-Instruct和DeepSeek-VL2。这些视觉语言模型都因其卓越的文档理解能力、OCR性能以及从包括发票、表单、表格和图表在内的复杂文档格式中提取结构化信息的能力而脱颖而出。
对于需要深度推理和上下文理解的复杂文档分析，带有“思考模式”的GLM-4.5V是理想选择。对于需要从发票、表单和表格中提取结构化数据的企业级文档处理，拥有131K上下文窗口的Qwen2.5-VL-72B-Instruct是首选。对于OCR准确性至关重要的高通量、高性价比的文档筛选，DeepSeek-VL2凭借其稀疏MoE架构和在SiliconFlow上的有竞争力的定价，提供了性能与效率的最佳平衡。