Uso principal declarado o inferido con cautela desde la documentación oficial.
T
TENCENT / tencent/Youtu-Parsing-Omni
Youtu-Parsing-Omni
Modelo multimodal de Tencent con 5.000 millones de parámetros, publicado en Hugging Face el 9 de octubre de 2026. Analiza páginas, imágenes, gráficos, diagramas, geometría, audio y vídeo, y produce texto estructurado en un sobre OmniSchema JSON. No genera imágenes, música ni vídeo. Un encoder compartido procesa las modalidades antes del decodificador; la tarea solicitada determina el esquema y los elementos extraídos.
01 / RESUMEN
Lo esencial
Capacidad máxima de entrada cuando la fuente la publica.
Límite máximo de generación documentado.
Canales de disponibilidad verificados.
Familia funcional principal y especialidades verificadas.
Condiciones declaradas para API, pesos o despliegue propio.
02 / FICHA TÉCNICA
Límites e integración
| ID de API | tencent/Youtu-Parsing-Omni |
|---|---|
| Tipo de modelo | Multimodal · OCR y documentos · Voz y audio · Vídeo |
| Modelo de acceso | Pesos con restricciones |
| Licencia | Youtu-Parsing License · restricción territorial UE |
| Despliegue | Despliegue propio con vLLM y plugin |
| Lanzamiento | 09 OCT 2026 |
| Corte de conocimiento | No publicado |
| Entrada | Texto · Imagen · Audio · Vídeo |
| Salida | Texto · JSON |
| Ventana de contexto | 65.536 tokens en el ejemplo de servicio |
| Salida máxima | No publicado |
| Razonamiento | No publicado |
| Herramientas publicadas | |
| Salidas estructuradas | OmniSchema JSON |
| Procesamiento por lotes | No publicado |
| Caché de prompts | No publicado |
| Ajuste fino | No publicado |
| Plataformas verificadas | Hugging Face · vLLM · Transformers |
OCR, tablas, fórmulas, orden de lectura, geometría, transcripción y segmentación audiovisual con marcas temporales. La salida puede incluir Markdown, LaTeX, Mermaid, cajas y descripciones. El ejemplo de servicio configura 65.536 tokens y límites de ocho imágenes, cuatro vídeos y ocho audios por prompt; son ajustes del servidor del ejemplo, no una garantía universal del contexto máximo entrenado.
La licencia Youtu-Parsing incluye una limitación territorial explícita: el modelo no está destinado al uso dentro de la Unión Europea. No lo presentamos como Apache 2.0 ni como libre de restricciones. Esta ficha es informativa: no hemos descargado ni ejecutado los pesos. Revisa licencia, código remoto, permisos de medios locales y datos personales antes de considerar cualquier despliegue autorizado.
03 / CAPACIDADES
Qué puede hacer
Orientación
OCR, tablas, fórmulas, orden de lectura, geometría, transcripción y segmentación audiovisual con marcas temporales. La salida puede incluir Markdown, LaTeX, Mermaid, cajas y descripciones. El ejemplo de servicio configura 65.536 tokens y límites de ocho imágenes, cuatro vídeos y ocho audios por prompt; son ajustes del servidor del ejemplo, no una garantía universal del contexto máximo entrenado.
Contexto
65.536 tokens en el ejemplo de servicio · No publicado
Herramientas e integración
No publicado
Acceso
Hugging Face · repositorio público
Modalidades de entrada
TextoImagenAudioVídeo
04 / PRECIOS
Coste documentado
| Concepto | Valor | Unidad / condición |
|---|---|---|
| Entrada estándar | Sin tarifa API oficial publicada | Tarifa estándar de API |
| Entrada en caché | No publicado | Lectura de prefijos reutilizados |
| Escritura o almacenamiento de caché | No publicado | La condición varía según proveedor |
| Salida estándar | Coste de infraestructura propia | Puede incluir tokens de razonamiento |
| Entrada por lotes | No publicado | Procesamiento asíncrono |
| Salida por lotes | No publicado | Procesamiento asíncrono |
No hemos verificado una API comercial alojada ni una tarifa pública por tokens para este checkpoint. Los costes numéricos permanecen vacíos. El despliegue propio requiere GPU, dependencias y el plugin de vLLM del proveedor; la disponibilidad pública de archivos no elimina costes ni restricciones territoriales. El código de evaluación figura como pendiente de publicación: no prometemos reproducción completa del arnés.
i Los precios cambian y pueden depender del nivel, la región o la longitud del contexto. Revisa la fuente antes de tomar una decisión.
05 / EVALUACIONES
Cómo leer los resultados
“
Tencent publica OmniDocBench v1.6 Overall 96,96 y OmniParsingBench promedio 75,08. También informa métricas de ChemOCR y PDMX-Synth; conservamos sus nombres y dirección: una tasa de error menor es mejor. Son resultados del proveedor, no evaluaciones ejecutadas por Inferama. La validez del JSON no garantiza extracción correcta: comprueba lectura, coordenadas, tiempos, omisiones y alucinaciones con revisión humana.
| Benchmark | Resultado | Métrica | Fuente |
|---|---|---|---|
| OmniDocBench v1.6 Overall | 96,96 | Puntuación | Ver fuente ↗ |
| OmniParsingBench Average | 75,08 | Puntuación | Ver fuente ↗ |
| ChemOCR Average Similarity | 74,6 | Similitud media | Ver fuente ↗ |
| ChemOCR Tani@1.0 | 54,2 | Tani@1.0 | Ver fuente ↗ |
| PDMX-Synth CER | 22,73 | CER | Ver fuente ↗ |
| PDMX-Synth SER | 26,73 | SER | Ver fuente ↗ |
| PDMX-Synth LER | 33,20 | LER | Ver fuente ↗ |
Inferama solo destaca un «mejor resultado» cuando la métrica, el conjunto de prueba, la configuración y la fecha permiten una comparación equivalente. Las cifras del proveedor se presentan como afirmaciones de su propia fuente.
06 / VERSIONES
Cronología
Youtu-Parsing-Omni
Publicación pública verificada del checkpoint 5B. La salida es JSON, no contenido audiovisual generado.
07 / FUENTES