Fugu-MT 論文翻訳(概要): HPD-Parsing: Hierarchical Parallel Document Parsing

論文の概要: HPD-Parsing: Hierarchical Parallel Document Parsing

arxiv url: http://arxiv.org/abs/2607.18839v1
Date: Tue, 21 Jul 2026 08:25:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.357345
Title: HPD-Parsing: Hierarchical Parallel Document Parsing
Title（参考訳）: HPD-Parsing:階層的な並列文書解析
Abstract要約: 本稿では,全ページの自動回帰生成を階層並列デコーディングパラダイムで置き換えるHPD-Parsingを紹介する。公開ベンチマークの実験によると、HPD-Parsingは毎秒4,752トークンを達成し、既存の最速の文書解析モデルのスループットを2.62タイムで提供する。これらの結果は、全ページの自動回帰生成の効果的な代替として階層並列デコードを確立し、効率的な統一文書解析のための新しい方向を開く。
参考スコア（独自算出の注目度）: 14.216874211667358
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Efficient teamwork typically combines global coordination with parallel execution, a principle not yet fully reflected in unified Vision-Language Model (VLM)-based document parsers. Existing unified parsers process an entire page jointly but generate its output through a single token-by-token autoregressive trajectory, creating a sequential bottleneck that grows with document length. Such full-page sequential generation overlooks a key property of document parsing: layout must be analyzed globally, whereas block content can be parsed in parallel. Based on this observation, we introduce HPD-Parsing, which replaces full-page autoregressive generation with a Hierarchical Parallel Decoding paradigm. A main layout branch organizes the overall document structure and dynamically assigns block-level content decoding to concurrent branches, while progressive multi-token prediction (P-MTP) further reduces the decoding steps within each branch. Experiments on public benchmarks show that HPD-Parsing achieves 4,752 tokens per second, delivering $2.62\times$ the throughput of the fastest existing document parsing model and $3.06\times$ that of the vanilla autoregressive baseline, while maintaining competitive parsing accuracy. These results establish hierarchical parallel decoding as an effective alternative to full-page autoregressive generation, opening a new direction for efficient unified document parsing.
Abstract（参考訳）: 効率的なチームワークは一般的に、グローバルなコーディネーションと並列実行を組み合わせたものです。既存の統一パーサーは、ページ全体を共同で処理するが、単一のトークン・バイ・トーケンの自己回帰軌道を通じて出力を生成し、文書の長さとともに成長するシーケンシャルなボトルネックを生成する。レイアウトはグローバルに分析されなければならないが、ブロック内容は並列に解析できる。本稿では,全ページの自動回帰生成を階層並列デコーディングパラダイムに置き換えたHPD-Parsingを紹介する。主レイアウトブランチは、全体のドキュメント構造を整理し、ブロックレベルのコンテンツデコーディングを並列ブランチに動的に割り当てる一方、プログレッシブマルチトークン予測(P-MTP)は、各ブランチ内のデコーディングステップをさらに削減する。公開ベンチマークの実験では、HPD-Parsingは毎秒4,752トークンを達成し、最速の文書解析モデルのスループット$2.62\timesとバニラ自己回帰ベースライン$3.06が提供され、競合解析の精度を維持している。これらの結果は、全ページの自動回帰生成の効果的な代替として階層並列デコードを確立し、効率的な統一文書解析のための新しい方向を開く。

関連論文リスト

PaDoc: Layout-Grounded Parallel Decoding for Document Parsing [45.6402658645855]
ドキュメントはページレイアウトと地域コンテンツを1つの自己回帰シーケンスにシリアライズする。本研究では,レイアウトを共有ページ表現上の分岐構造として扱うレイアウトグラウンドのPaDocを提案する。 384ページのサブセットと1つのA800では、PaDocは5段階で最速のエンド・ツー・エンドであり、有効ページのスループットは67.4-118%向上した。
論文参考訳（メタデータ） (2026-08-06T15:16:18Z)
Improving Long-Context Retrieval with Multi-Prefix Embedding [64.08968715893504]
Multi-Prefix Embeddingは、ドキュメントをEOSトークンで区切られたチャンクに分割し、完全なシーケンスを単一の因果フォワードパスにエンコードし、各プレフィックス境界に1つの埋め込みを抽出する。 MPEはクロスチャンクコンテキストを保持し、チャンクレベルのMaxSimマッチングを可能にし、ドキュメントレベルの関連ラベルのみをトレーニングする。
論文参考訳（メタデータ） (2026-06-22T17:31:02Z)
MinerU-Popo: Universal Post-Processing Model for Structured Document Parsing [34.19535115746437]
MinerU-Popoは、OCR出力をPast-Processingする軽量フレームワークである。問題をテキストトランケーション回復、テーブルトランケーション回復、タイトル階層、画像テキスト関連という4つのサブタスクに分解する。 5つのテストされたOCRモデルで、TEDSのタイトル階層を少なくとも20%改善する。
論文参考訳（メタデータ） (2026-05-24T10:00:28Z)
MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。 433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
論文参考訳（メタデータ） (2026-05-21T07:36:41Z)
Hybrid Multi-Phase Page Matching and Multi-Layer Diff Detection for Japanese Building Permit Document Review [0.0]
日本における許可書作成には,改訂サイクルをまたいだ大規模なPDF文書の相互参照が必要である。このアルゴリズムは、最長の共通サブシーケンス(LCS)構造アライメント、7相のコンセンサスマッチングパイプライン、動的プログラミング最適アライメントステージを組み合わせる。 F1=0.80と精度=1.00を、手動で注釈付けされた接地トラスベンチマークで達成する。
論文参考訳（メタデータ） (2026-03-27T09:01:30Z)
Multi-Vector Index Compression in Any Modality [73.7330345057813]
後期の相互作用は、テキスト、画像、ビジュアルドキュメント、ビデオにおける情報検索の主要なパラダイムとして現れてきた。インデックス圧縮には,シーケンスリサイズ,メモリトークン,階層プール,新しいアテンション誘導クラスタリング(AGC)の4つのアプローチを導入する。 AGCは、ドキュメントの最もセマンティックな領域をクラスタセントロイドとして識別し、トークンの集合を重み付けするために注意誘導機構を使用する。
論文参考訳（メタデータ） (2026-02-24T18:57:33Z)
Training-Free Acceleration for Document Parsing Vision-Language Model with Hierarchical Speculative Decoding [102.88996030431662]
本稿では,文書解析タスクの学習自由かつ高効率な高速化手法を提案する。投機的復号化にインスパイアされた私たちは、将来のトークンのバッチを予測するために、ドラフトモデルとして軽量な文書解析パイプラインを使用します。汎用OmniDocBenchに対するアプローチの有効性を示す。
論文参考訳（メタデータ） (2026-02-13T14:22:10Z)
Youtu-Parsing: Perception, Structuring and Recognition via High-Parallelism Decoding [35.429403152845836]
Youtu-Parsingは、高性能コンテンツ抽出のために設計された、効率的で汎用的な文書解析モデルである。このモデルは稀な文字、多言語テキスト、手書きコンテンツを扱う際に強い堅牢性を示す。 Youtu-ParsingはOmniDocBenchおよびolmOCR-benchベンチマーク上での最先端(SOTA)パフォーマンスを達成する。
論文参考訳（メタデータ） (2026-01-28T09:37:13Z)
Hierarchical Token Prepending: Enhancing Information Flow in Decoder-based LLM Embeddings [52.49524240846879]
本稿では,注目レベルの圧縮と読み出しレベルのオーバーシャッシングを緩和する階層型トークンプレッペンディングを提案する。 HTPは、入力をブロックに分割し、ブロックレベルの要約トークンをその後のブロックにプリペンドし、後方情報フローの経路を作成する。シンプルなアーキテクチャに依存しない方法として、HTPはゼロショットモデルと微調整モデルの両方を強化し、優れた長期文書埋め込みへのスケーラブルなルートを提供する。
論文参考訳（メタデータ） (2025-11-18T19:37:40Z)
Slide, Constrain, Parse, Repeat: Synchronous SlidingWindows for Document AMR Parsing [22.73441509190781]
本研究では,Structured-BARTの拡張により,文書レベルのAMRのオラクルと解析を開発する。我々の遷移オラクルは、スライド窓を用いても、金のクロスセグメントリンクのわずか8%しか失われていないことを示す。提案システムは,Multi-Sentence AMR 3.0コーパス上での文書レベルのAMR解析タスクに対して,最先端パイプライン方式と同等に動作する。
論文参考訳（メタデータ） (2023-05-26T21:38:08Z)
Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文参考訳（メタデータ） (2022-04-22T10:45:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。