今天聊一篇ECCV 2026的论文，百度PaddleOCR团队提出的P-MTP 一句话总结： 让视觉大模型在解析文档时，不再一个字一个字蹦，而是一口吞N个字，速度提升5.24倍，精度几乎不掉，这是文档解析领域 MTP 深度扩展的首次成功验证。 痛点在哪？ 现在文档解析模型（把图片里的表格/公式/文字变成Markdown）都是自回归解码: 一个token一个token往外蹦，文档越长等越久。 MTP（Multi-Token Prediction）本来是个提速思路：一次猜K个token。但问题是K一超过3就崩，精度狂掉。 P-MTP怎么解决的？ 两个核心设计 ① 渐进式损失（训练端） 不再对所有预测深度一刀切 让模型"先学近再学远": 先把K=1、2、3学扎实，再慢慢扩展到K=7、8、9 完全自动化，不用人工调 ② 置信度门控动态草稿（推理端） 不再固定猜几步，而是实时监测"把握够不够" 有把握就继续往前猜，没把握就及时止损 简单段落一口气推更远，复杂公式见好就收 效果: 实现最高5.24x的无损加速 传统方案K=9直接崩盘（精度掉2.55分），P-MTP在K=9稳如磐石 为什么文档解析能做到？ 论文有个很关键的洞察：文档解析是感知密集型任务，输出完全锚定在图像视觉特征上。 表格写的是"87.3%"，模型看准了后面几个token几乎没歧义——不像开放式问答下一句话有无数种说法。 所以文档解析天然适合把预测深度推得更远 论文入选ECCV 2026 代码已开源 github.com/Hor1zonz/PMTP #ECCV2026 #ECCV #百度 #PaddleOCR #百度OCR #文心 #文心大模型 #论文#大模型 #人工智能