Uso primário declarado ou inferido com cautela a partir da documentação oficial.
T
TENCENT / tencent/Youtu-Parsing-Omni
Youtu-Parsing-Omni
Modelo multimodal da Tencent com 5 mil milhões de parâmetros, publicado no Hugging Face em 9 de outubro de 2026. Analisa páginas, imagens, gráficos, diagramas, geometria, áudio e vídeo e produz texto estruturado num envelope OmniSchema JSON. Não gera imagens, música nem vídeo. Um encoder partilhado processa as modalidades antes do descodificador; a tarefa determina o esquema e os elementos extraídos.
01 / RESUMO
O essencial
Capacidade máxima de entrada quando publicada pela fonte.
Limite máximo de geração documentado.
Canais de disponibilidade verificados.
Família funcional principal e especialidades verificadas.
Condições declaradas para API, pesos ou alojamento próprio.
02 / FICHA TÉCNICA
Limites e integração
| ID de API | tencent/Youtu-Parsing-Omni |
|---|---|
| Tipo de modelo | Multimodal · OCR e documentos · Voz e áudio · Vídeo |
| Modelo de acesso | Pesos com restrições |
| Licença | Youtu-Parsing License · restrição territorial UE |
| Implantação | Execução própria com vLLM e plugin |
| Lançamento | 09 OUT 2026 |
| Data de corte do conhecimento | Não publicado |
| Entrada | Texto · Imagem · Áudio · Vídeo |
| Saída | Texto · JSON |
| Janela de contexto | 65.536 tokens no exemplo de serviço |
| saída máxima | Não publicado |
| Raciocínio | Não publicado |
| Ferramentas publicadas | |
| Passeios Estruturados | OmniSchema JSON |
| Processamento em lote | Não publicado |
| Cache de prompts | Não publicado |
| Ajuste fino | Não publicado |
| Plataformas verificadas | Hugging Face · vLLM · Transformers |
OCR, tabelas, fórmulas, ordem de leitura, geometria, transcrição e segmentação audiovisual com marcas temporais. A saída pode incluir Markdown, LaTeX, Mermaid, caixas e descrições. O exemplo de serviço configura 65.536 tokens e limites de oito imagens, quatro vídeos e oito áudios por prompt; são definições do servidor de exemplo, não uma garantia universal do contexto máximo treinado.
A licença Youtu-Parsing inclui uma limitação territorial explícita: o modelo não se destina a uso na União Europeia. Não o apresentamos como Apache 2.0 nem livre de restrições. Esta ficha é informativa: não transferimos nem executámos os pesos. Revê licença, código remoto, permissões de meios locais e dados pessoais antes de considerar uma execução autorizada.
03 / CAPACIDADES
O que pode fazer
Orientação
OCR, tabelas, fórmulas, ordem de leitura, geometria, transcrição e segmentação audiovisual com marcas temporais. A saída pode incluir Markdown, LaTeX, Mermaid, caixas e descrições. O exemplo de serviço configura 65.536 tokens e limites de oito imagens, quatro vídeos e oito áudios por prompt; são definições do servidor de exemplo, não uma garantia universal do contexto máximo treinado.
Contexto
65.536 tokens no exemplo de serviço · Não publicado
Ferramentas e integração
Não publicado
Acesso
Hugging Face · repositório público
Modalidades de entrada
TextoImagemÁudioVídeo
04 / PREÇOS
Custo documentado
| Conceito | Valor | Unidade/condição |
|---|---|---|
| Entrada padrão | Sem tarifa API oficial publicada | Tarifa padrão da API |
| Entrada em cache | Não publicado | Leitura de prefixos reutilizados |
| Escrita ou armazenamento em cache | Não publicado | A condição varia consoante o fornecedor |
| Saída padrão | Custo da infraestrutura própria | Pode incluir tokens de raciocínio |
| Entrada por lotes | Não publicado | Processamento assíncrono |
| Saída por lotes | Não publicado | Processamento assíncrono |
Não verificámos uma API comercial alojada nem uma tarifa pública por tokens para este checkpoint. Os custos numéricos permanecem vazios. A execução própria exige GPU, dependências e o plugin vLLM do fornecedor; ficheiros públicos não eliminam custos nem restrições territoriais. O código de avaliação está pendente de publicação: não prometemos reprodução completa do protocolo.
i Os preços mudam e podem depender do nível, região ou duração do contexto. Verifique a fonte antes de tomar uma decisão.
05 / AVALIAÇÕES
Como ler os resultados
“
A Tencent publica OmniDocBench v1.6 Overall 96,96 e média OmniParsingBench 75,08. Também indica métricas ChemOCR e PDMX-Synth; mantemos nomes e direção: uma taxa de erro menor é melhor. São resultados do fornecedor, não avaliações executadas pela Inferama. JSON válido não garante extração correta: verifica leitura, coordenadas, tempos, omissões e alucinações com revisão humana.
| Benchmark | Resultado | Métrica | Fonte |
|---|---|---|---|
| OmniDocBench v1.6 Overall | 96,96 | Pontuação | Ver fonte ↗ |
| OmniParsingBench Average | 75,08 | Pontuação | Ver fonte ↗ |
| ChemOCR Average Similarity | 74,6 | Semelhança média | Ver fonte ↗ |
| ChemOCR Tani@1.0 | 54,2 | Tani@1.0 | Ver fonte ↗ |
| PDMX-Synth CER | 22,73 | CER | Ver fonte ↗ |
| PDMX-Synth SER | 26,73 | SER | Ver fonte ↗ |
| PDMX-Synth LER | 33,20 | LER | Ver fonte ↗ |
O Inferama só destaca o “melhor resultado” quando a métrica, o conjunto de testes, a configuração e a data permitem uma comparação equivalente. Os números do fornecedor são apresentados como declarações de sua própria fonte.
06 / VERSÕES
Cronologia
Youtu-Parsing-Omni
Publicação pública verificada do checkpoint 5B. A saída é JSON, não conteúdo audiovisual gerado.
07 / FONTES