WeVisDoc

整页文档图一键转结构化 Markdown，公式表格都不丢

WeVisDoc 是一个面向文档解析的端到端开源模型，基于 Qwen3-VL-2B-Instruct 与 Qwen3-VL-4B-Instruct 微调而来。它解决的核心问题是：把扫描件、PDF 截图或拍照得到的整页文档图像，自动转换成结构化的 Markdown 文本，而不是只做简单的 OCR 文字识别。模型能够识别页面版式，输出带标题层级的 Markdown，同时把数学公式还原成 LaTeX、把表格还原成 HTML 表格，保留原始文档的语义结构。项目用 Python 实现，提供 2B 和 4B 两个参数规模，方便在精度与显存之间取舍，适合需要批量把纸质或图片资料数字化的场景。相比通用多模态大模型，它针对文档解析任务做了专门微调，输出格式更稳定、更贴近下游可用的结构化结果。